Previsão intra-diária de geração fotovoltaica usando redes neurais recorrentes do tipo LSTM e dados históricos de energia

Abstract

Este trabalho apresenta uma metodologia que utiliza dados históricos de energia para obter a previsão de geração de sistemas fotovoltaicos no horizonte de 1h, utilizando o conceito de janela temporal (time steps) e uma rede recorrente do tipo LSTM (Long Short Term Memory). Os dados históricos meteorológicos e de geração de energia utilizados foram captados no período de 1 ano. Uma análise comparativa utilizando o modelo LSTM para previsão de geração com diferentes variáveis de entrada e diferentes quantidades de time steps (tamanho da janela temporal) também foi conduzida. O modelo proposto (LSTM 1) que obtém a previsão da geração solar fotovoltaica a partir de uma série temporal de dados de energia possui um resultado bem próximo do melhor resultado obtido (LSTM4) que considera quatro variáveis meteorológicas (temperatura, umidade, irradiação e índice de chuva) como entrada do modelo de previsão. Considerando as métricas de erro RMSE (erro médio quadrático) e NRMSE (erro médio quadrático normalizado), os valores obtidos foram 0.398 e 0.110 para o modelo com 4 variáveis e 0.419 e 0.116 para o modelo proposto, respectivamente. Trata-se de uma abordagem mais simples devido ao fato de não necessitar de uma estação meteorológica para captar dados meteorológicos e também por diminuir a complexidade computacional do modelo LSTM utilizando uma única variável.

This work presents a methodology that uses historical energy data to forecast the generation of photovoltaic systems in a 1h horizon, using the concept of time window (time intervals) and a recurring network of the LSTM (Long Short Term Memory) type. The historical meteorological and energy generation data used were collected within a period of 1 year. A comparative analysis using the LSTM model for generation prediction with different input variables and different amounts of time steps (time window size) was also conducted. The proposed model (LSTM 1) that provides the prediction of solar photovoltaic generation from a time series of energy data has a result very close to the best result found (LSTM4) that considers four meteorological variables (temperature, humidity, irradiation and rainfall index) as input to the forecast model. Recognized as RMSE (root mean square error) and NRMSE (normalized root mean square error) error metrics, the values obtained were 0.398 and 0.110 for the model with 4 variables and 0.419 and 0.116 for the proposed model, respectively. This is a simpler approach due to the fact that it does not need a meteorological station to collect meteorological data and also because it reduces the computational complexity of the LSTM model using a single variable.