PREVISÃO DE TEMPERATURA E IRRADIANCIA SOLAR ATRAVÉS DE REDES NEURAIS ARTIFICIAIS DO TIPO LSTM
Redes Neurais Artificias; Modelagem computacional; Predição
A precisão na previsão de temperatura e radiação solar é um fator muito importante para geração de energia solar fotovoltaica, principalmente nas predições de curto prazo. As redes neurais profundas conhecidas como Memória de Curto Longo Prazo (Long short-term Memory, LSTM) são modelos que tem apresentado excelente desempenho nos trabalhos com essas variáveis ambientais. Através da aplicação de arquiteturas diferentes com base no modelo LSTM este estudo objetiva realizar a predição da temperatura e radiação solar de curto prazo, através da utilização de dados obtidos por equipamentos instalados no campus Tapajós da UFOPA, próximos do centro da cidade, quando comparados com estação instalada pelo INMET, na zona rural, foram executadas quatro arquiteturas, com diferenças no número de neurônios, e dez repetições cada para uma serie temporal de temperatura do ar de superfície com 12053 registro, sendo 10299 para treino e 1754 para teste da rede LSTM. Os dados adquiridos foram processados por meio de um software com linguagem em Python, onde após o tratamento dos dados foi realizado o treinamento da rede com posterior predição das séries temporais. Os resultados obtidos tiveram seu desempenho avaliado por meio da métrica MAE (Mean Absolut Error), a média dos valores encontrados variaram entre 0,0420 na arquitetura de menor número de neurônios a 0,0213 na arquitetura com maior número de neurônios, onde foram realizados os testes estatísticos a fim de se identificar a melhor arquitetura aplicada. De acordo com o teste de Kruskall Wallis, que apontou diferença estatisticamente significativa entre as arquiteturas, e o teste de Dunn, que indica quais pares possuem diferença estatisticamente significativa, a arquitetura com maior número de neurônios por camada apresentou melhor desempenho. Espera-se que para os dados de radiação solar que serão adquiridos posteriormente os resultados sejam parecidos, onde a rede LSTM tendeu a acompanhar bem as variações da predição de temperatura.