Resumo: As usinas fotovoltaicas (PV) requerem previsões precisas para alcançar uma inserção satisfatória nas redes elétricas. Em outras palavras, uma previsão precisa de energia fotovoltaica (PPF) ajuda os operadores da rede a otimizar o despacho para equilibrar a geração e a demanda; e, dessa forma, aproveitar melhor esse recurso renovável. Assim, este trabalho propõe uma metodologia híbrida que utiliza uma técnica de deep learning (DL) para a previsão de energia fotovoltaica do dia seguinte (PPF), um autoencoder de memória de longo prazo (LSTM-AE) para correção da previsão, e agrupamento utilizando k-means para a interpretação dos resultados. As técnicas de DL exploradas para PPF são memória de longo prazo (LSTM), unidade recorrente fechada (GRU) e perceptron multicamada (MLP). A metodologia proposta aplica seleção de atributos (FS) para escolher os atributos mais relevantes do conjunto de dados e otimização de hiperparâmetros (HPO) para encontrar um modelo de previsão robusto e preciso. O HPO é realizado pelo algoritmo genético de ChuBeasley (GA). Após determinar o melhor modelo de previsão, um PPF inicial do dia seguinte é calculado recursivamente com intervalos de tempo de quinze (15) minutos. Em seguida, a previsão inicial passa por um LSTM-AE que corrige o PPF do dia seguinte. A metodologia proposta foi programada em Python, usando TensorFlow, scikit-learn e tslearn para algoritmos DL e Pandas para gerenciamento de dados. A metodologia é validada usando um conjunto de dados correspondente a uma microrrede localizada na Universidade Estadual de Campinas (UNICAMP) no Brasil, com capacidade instalada de 336 kWp. Finalmente, para analisar os resultados, um clustering k-means é implementado usando uma métrica soft dynamic time warping (DTW) que melhora o agrupamento das curvas de potência fotovoltaica diárias. Os resultados experimentais mostram que a metodologia proposta melhora a precisão da previsão em mais de 4.5% para as três técnicas de DL estudadas quando o LSTM-AE é usado para correção. Esta pesquisa faz parte do projeto Microgrids for Efficient, Reliable and Greener Energy (MERGE). Por esta razão, este trabalho também trata de uma proposta de software capaz de prever a potência fotovoltaica para os próximos 15 minutos e para o dia seguinte. A previsão para os próximos 15 minutos é feita por meio de um modelo preditor DL simples, enquanto a previsão para o dia seguinte é feita pela aplicação da metodologia híbrida proposta neste trabalho Ver menos

Abstract: Photovoltaic (PV) power plants require accurate forecasting to achieve satisfactory insertion in electricity grids. In other words, an accurate PPF helps grid operators optimize the dispatch to balance the generation and demand; and, in this way, get more use out of this renewable resource. Thus, this work proposes a hybrid methodology that uses a deep learning (DL) technique for the day-ahead PV power forecasting (PPF), a long short-term memory autoencoder (LSTM-AE) for correction, and k-means clustering to enhance the interpretation of the results. The explored DL techniques for PPF are long short-term memory (LSTM), gated recurrent unit (GRU), and multi-layer perceptron (MLP). The proposed methodology applies feature selection (FS) to choose the most relevant features of the dataset and hyperparameter optimization (HPO) to find a robust and accurate forecasting model. The HPO is carried out by the Chu-Beasley genetic algorithm (GA). After determining the best forecasting model, an initial day-ahead PPF is computed recursively with time steps of fifteen (15) minutes. Then, the initial forecast goes through an LSTM-AE that corrects the day-ahead PPF. The proposed methodology was programmed in Python, using TensorFlow, scikit-learn, and tslearn for DL algorithms, and Pandas for data management. The methodology is validated using a data set corresponding to a microgrid located at the State University of Campinas (UNICAMP) in Brazil, with an installed capacity of 336 kWp. Finally, for analyzing the results, a k-means clustering is implemented using a soft-dynamic time warping (DTW) metric that improves the grouping of daily PV power curves. The experimental results show that the proposed methodology improves forecast accuracy by more than 4.5% for the three DL techniques studied when LSTM-AE is used for correction. The best and worst performance were identified for the three different PV power scenarios thanks to the clustering algorithm. This research is part of the Microgrids for Efficient, Reliable, and Greener Energy (MERGE) project. For this reason, this work also deals with a software proposal capable of forecasting PV power for the next 15 minutes and the day ahead. The forecast for the next 15 minutes is made using a simple DL predictor model, while the forecast for the next day is made by applying the hybrid methodology proposed in this work Ver menos