Predição da produção de energia fotovoltaica baseada em redes neurais podadas

Abstract

A integração de fontes de energia fotovoltaica às redes elétricas convencionais exige a antecipação precisa da geração de energia para garantir o balanceamento dinâmico entre oferta e demanda. O Aprendizado de Máquina, especialmente por meio de Redes Neurais Recorrentes (RNNs) como LSTM e GRU, tem se destacado nessa tarefa de predição. Contudo, a elevada dimensionalidade e o custo paramétrico desses modelos resultam em um expressivo custo computacional. A literatura sugere que a mitigação desse custo implica indiretamente na redução do consumo energético. Este trabalho tem como objetivo desenvolver, avaliar e otimizar arquiteturas preditivas para séries temporais de geração solar, aplicando técnicas de poda (pruning) para reduzir a complexidade estrutural das redes sem comprometer sua precisão. Utilizando dados da usina fotovoltaica DKASC, modelos densos foram treinados e posteriormente submetidos a métodos de Magnitude Pruning, Clustering e Random Pruning. Os resultados indicam que a arquitetura submetida à poda por magnitude (50% de esparsidade) alcançou uma redução de aproximadamente 59% no tamanho de armazenamento (de 353 KB para 144 KB) e apresentou uma sutil melhoria na métrica sMAPE (7,46%) em comparação com o modelo não otimizado (7,58%). Adicionalmente, a técnica de clusterização demonstrou uma queda significativa no tempo de inferência (330,31 ms). Conclui-se que o excesso de parâmetros nativo às redes recorrentes pode ser suprimido, viabilizando a implementação de sistemas preditivos robustos e eficientes do ponto de vista energético.

The integration of photovoltaic energy sources into conventional power grids requires accurate power generation forecasting to ensure the dynamic balance between supply and demand. Machine Learning, particularly through Recurrent Neural Networks (RNNs) such as LSTM and GRU, has emerged as a prominent tool for this prediction task. However, the high dimensionality and parametric cost of these models result in significant computational overhead. Literature suggests that mitigating this cost indirectly leads to a reduction in energy consumption. This work aims to develop, evaluate, and optimize predictive architectures for solar generation time series by applying pruning techniques to reduce the structural complexity of the networks without compromising their accuracy. Using data from the DKASC photovoltaic plant, dense models were trained and subsequently subjected to Magnitude Pruning, Clustering, and Random Pruning methods. The results indicate that the architecture subjected to magnitude pruning (50% sparsity) achieved a reduction of approximately 59% in storage size (from 353 KB to 144 KB) and showed a subtle improvement in the sMAPE metric (7.46%) compared to the non-optimized model (7.58%). Additionally, the clustering technique demonstrated a significant decrease in inference time (330.31 ms). It is concluded that the inherent parameter redundancy in recurrent networks can be suppressed, enabling the implementation of robust and energy-efficient predictive systems.