Year: 2024
Type: dissertation
Abstract: A transição energética e seu foco na descarbonização das indústrias intensivas globais é uma oportunidade significativa para o setor de mineração e metais. Espera-se o aumento na demanda por infraestrutura verde, ou seja, a utilização de energia proveniente de fontes renováveis com baixo impacto ambiental. A implantação de usinas de geração fotovoltaica para esta finalidade é uma tendência global e vem ocorrendo também no Brasil. A Inteligência artificial apresenta-se como uma importante ferramenta para a operacionalidade e manutenibilidade destas usinas. A utilização de técnicas de Inteligência Artificial podem apoiar na previsão da geração de energia e tornar um fator diferencial para estas usinas. A pesquisa conduzida abordou de maneira quantitativa o desenvolvimento de modelos preditivos utilizando técnicas de redes neurais profundas, conhecidas como “Deep Learning”. O objetivo principal da pesquisa foi atingir uma precisão aceitável nas previsões de curto prazo, abrangendo horizontes de predição online, 1 hora e 24 horas, e considerando diversos cenários que envolvem diferentes conjuntos de instrumentação de campo. Adicionalmente, foram integrados dados de outros algoritmos para avaliar sua utilidade em aprimorar os resultados dos modelos. Foram utilizadas diferentes arquiteturas de redes neurais, tais como LSTM, CNN, MLP, GRU, BiLSTM, e combinações híbridas de LSTM com CNN. Para treinar e validar os modelos, foram utilizados dados históricos de irradiação solar e outras variáveis meteorológicas, obtidos de uma base de dados pública. Adicionalmente, aplicou-se a técnica de transferência de aprendizado entre modelos de redes neurais, permitindo a transferência de conhecimento para um modelo treinado com um volume limitado de dados de uma usina real. Os experimentos mostraram que os modelos de Deep Learning que empregam arquiteturas de redes neurais recorrentes ou híbridas são altamente eficazes, capturando com sucesso as dependências temporais e características espaciais dos dados. Esses modelos também apresentaram menor erro em comparação aos obtidos por modelos fotovoltaicos que utilizam dados do ano meteorológico típico (TMY). Para um horizonte de predição de 24 horas, a métrica MAPE (Erro Percentual Absoluto Médio) indicou uma melhoria de 53% para o modelo Single Step e de 43% para o modelo Multi Step em relação à linha de base. Já para um horizonte de predição de 1 hora, a mesma métrica demonstrou uma melhoria de 82% para o modelo Single Step e de 27% para o modelo Multi Step, comparados à linha de base. Um software também foi desenvolvido para ser implementado em usinas fotovoltaicas, utilizando os modelos mais eficazes identificados na pesquisa. Esse software é versátil, podendo ser aplicado em ambientes industriais das usinas de qualquer porte, como, por exemplo, a usina Sol do Cerrado.
Author: Santos, Sávio José Sena
Language: Portuguese
Field: Energy
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7120608935