Previsão de Geração de Energia Fotovoltaica através de Redes Neurais Convolucionais baseadas em Transformação de Séries Temporais em Imagens.
Palavras-chave: geração de energia fotovoltaica; redes neurais convolucionais; campo angular Gramiano; gráfico de recorrência; séries temporais; previsão; inteligência computacional.
Este trabalho apresenta uma nova abordagem baseada em Rede Neural Convolucional 2D (Convolutional Neural Network – CNN) e técnicas de transformação de séries temporais em imagens, como Campo Angular Gramiano (Gramian Angular Field – GAF) e Gráfico de Recorrência (Recurrence Plot – RP), para previsão em curto prazo da geração de energia elétrica de uma microusina fotovoltaica conectada à rede elétrica, localizada no Centro de Excelência em Eficiência Energética da Amazônia – CEAMAZON, da Universidade Federal do Pará (UFPA). As técnicas de GAF e de RP foram utilizadas para transformação das séries temporais em imagens para serem utilizadas como entrada para a CNN. A previsão de geração de energia elétrica com maior precisão possibilita ao usuário conhecer com maior grau de acerto quais os possíveis custos para implantação da rede e os prazos para retorno financeiro, além de avaliar com maior assertividade a disponibilidade de carga que poderá ser conectada ao sistema. Os resultados da previsão com a utilização de GAF e RP em rede CNN 2D foram comparados com resultados utilizando outros tipos de rede neurais já consolidadas na área, como a Perceptron Multicamadas e a CNN 1D, tendo a CNN 2D obtido, em alguns casos, valores de RMSE próximos ou um pouco inferiores, mostrando assim a aplicabilidade da utilização de imagens obtidas através de transformação das séries temporais de energia fotovoltaica em rede CNN 2D para o problema.
Artigo aceito :
Previsão de Geração de Energia Fotovoltaica Utilizando Transformação de Séries Temporais em Imagens e Redes Neurais Convolucionais
XVI Congresso Brasileiro de Inteligência Computacional (CBIC)
Salvador/BA, 08 a 11/10/2023