Correção de Erro de Previsão de Radiação Solar da APAC Utilizando Comitês de Perceptrons Multicamadas Otimizado por Algoritmo Genético em Dois Estágios

Resumo

O Brasil tem um bom potencial de geração de energia fotovoltaica (PEREIRA, 2017), embora ainda subutilizado, visto que estimativas do NOS (Operador Nacional do Sistema) indicam que este tipo de geração limpa corresponderá a apenas 3,9% da produção nacional até 2025 (ONS, 2021). Entretanto, existem estimativas que prevê que a geração fotovoltaica possa vir a ser responsável por 36% da produção brasileira até 2050 (BARBOSA, 2020). Tendo em vista este cenário, estimativa de produção solar é um tópico popular (MELLIT et al., 2020; WANG et al., 2021). Aprendizado de máquina aplicado a previsão de geração fotovoltaica tem focado em previsão de séries temporais de potência de geração (MELLIT et al., 2020). Esta metodologia de geração é útil para o sistema elétrico, pois ajuda no problema de balanceamento de demanda e produção, aumentando a programabilidade de smart grids (CHAUDHARY e RIZWAN, 2018). Também é aplicado na resolução ótima do problema de despacho de energia da forma mais econômica para sistemas tipo BESS (Battery Energy Storage Systems) (GIL-GONZÁLEZ, 2020). Os dados utilizados são da Agência Pernambucana de Águas e Clima (APAC) de maio de 2020 de Petrolina-PE e do Instituto Nacional de Metrologia (INMET). O objetivo é avaliar e melhorar a previsão realizada pela APAC utilizando modelos uma metodologia de correção do erro da previsão gerada utilizando 2 comitês de Perceptron Multicamadas (MLP), otimizados por algoritmo genético. O primeiro comitê se encarrega de modelar o erro e o segundo de realizar uma combinação não linear entre o erro e a previsão original de modo a corrigir otimamente a mesma. A APAC utiliza um sistema WRF (Weather Research and Forecasting) para sua previsão (DO VALE, 2021), enquanto o INMET contém dados observados a partir de estações de coleta. Os dados do INMET são tomados como sendo os verdadeiros e o objetivo é melhorar com base nas métricas MAE (Mean Absolute Error), MSE (Mean Squared Error), MAPE (Mean Absolute Percentage Error) e SMAPE (Symmetric MAPE) a previsão da APAC. A otimização do comitê de MLPs se dá levando em consideração o otimizador, quantidade de neurônios em três camadas, função de ativação e taxa de aprendizado, cada um desses parâmetros é modelado como um gene no algoritmo. Também são otimizados parâmetros de previsibilidade, a quantidade de amostras do passado para prever a próxima amostra, tanto da série da APAC quanto do erro gerado subtraindo-a da série do INMET, bem como a quantidade de MLPs pertencentes ao comitê, esses parâmetros também são genes nesta parte do algoritmo. Toda a otimização de MLPs se dá de forma aninhada a otimização de parâmetros de amostras para previsão. Foram utilizados 3 épocas e 10 indivíduos, como a otimização de MLPs é aninhada, significa que ao menos 30 MLPs são testadas por indivíduo da otimização de quantidade de amostras tanto para a modelagem do erro, quanto para a modelagem da combinação não linear entre o erro modelado e a série original. Os resultados, para as séries normalizadas foram, MAE=0,0696, MSE=0,0180, SMAPE=69,1633 e MAPE=63,3763, já com a correção obtida pela metodologia descrita, MAE=0,0311, MSE=0,0027, MAPE=24,8945 e SMAPE=23,5508. Percebe-se que a correção se deu de forma robusta, reduzindo em no mínimo em 60,71% a métrica MAPE. Conclui-se que a previsão da APAC é muito importante para previsibilidade diária, e pode muito bem ser utilizada em sistemas de previsão de curto prazo de radiação solar no intuito de programabilidade de sistemas fotovoltaicos, utilizando Aprendizado de Máquina para melhorar essa previsão reduziria aumentaria o nível de confiança do consumidor e possibilitaria tomadas de decisão mais assertivas em relação ao sistema fotovoltaico.