Luana do Nascimento Vasconcelos
Modelagem Da Geração Em Usinas Fotovoltaicas Industriais Por Ia: Correção De Viés De Séries Temporais E Estimativa De Curtailment.
Resumo
A expansão da energia solar no Nordeste Brasileiro (NEB) exige dados de irradiância confiáveis e previsões controle de qualidade (QC) de dados observacionais de irradiância global horizontal (GHI) do INMET, preenchimento de falhas e correção de viés da simulação do modelo MPAS. O QC, baseado nas recomendações da BSRN (Baseline Surface Radiation Network) e implementado em Python com a biblioteca pvlib, foi aplicado a dados horários de 2020 a 2025 das estações automáticas no NEB. As lacunas foram preenchidas com modelos de aprendizado de máquina treinados com variáveis do CAMS, cuja avaliação preliminar em quatro estações mostrou correlação superior a 0,93 e superestimativa da GHI, mais acentuada no litoral (viés de até 58,8 W/m2). A correção de viés do MPAS comparou Linear Regression (LR), Random Forest (RF), XGBoost (XG) e Rede Neurais do tipo Multi-Layers Perceptron (MLP). Nos resultados preliminares, restritos à estação de Salvador (BA) em 2022–2023, o RF apresentou o melhor desempenho (R2 = 0,945; RMSE = 74,0 W/m2), enquanto os demais modelos ficaram entre R2 0,885 e 0,896 e RMSE de 102 a 107 W/m2. Os resultados indicam que o aprendizado de máquina é uma alternativa eficaz para corrigir a GHI- MPAS, com potencial de aplicação em estudos de geração fotovoltaica e curtailment.