Discente: JOSÉ OLIVEIRA MORAIS NETO 

Título: AVALIAÇÃO DE MODELOS DE REGRESSÃO E APRENDIZADO DE MÁQUINA NA PREVISÃO DE POTÊNCIA DE CORRENTE ALTERNADA (PCA) EM SISTEMAS FOTOVOLTAICOS ON-GRID: ESTUDO DE CASO NO IFPE CAMPUS PESQUEIRA

Orientador: PROF. DR. RICARDO ATAIDE DE LIMA

Co-orientador: PROF. DR. MANOEL HENRIQUE DE OLIVEIRA PEDROSA FILHO   

Examinador Externo: JOÃO FAUSTO LORENZATO DE OLIVEIRA

Examinador Externo: EMERSON TORRES AGUIAR GOMES

Data: 31 DE AGOSTO DE 2026

Horário: 14:00

Local: Miniauditório 

Resumo do projeto: 

A crescente participação da energia solar fotovoltaica na matriz elétrica demanda métodos capazes de prever com precisão a potência gerada, contribuindo para a operação segura e eficiente dos sistemas conectados à rede. Nesse contexto, este trabalho teve como objetivo avaliar e comparar modelos de regressão e aprendizado de máquina na previsão da Potência de Corrente Alternada (PCA) de um sistema fotovoltaico ongrid instalado no Instituto Federal de Pernambuco (IFPE) Campus Pesqueira. Inicialmente, foram avaliados dez modelos empíricos para estimativa da temperatura dos módulos fotovoltaicos, variável utilizada como entrada nos modelos preditivos. Em seguida, foram implementados e comparados cinco algoritmos de regressão: Regressão Linear Múltipla, Árvore de Decisão, Random Forest, XGBoost e Regressão por Vetores de Suporte (SVR). Como variáveis de entrada foram utilizadas a Irradiância Global Horizontal (GHI), a temperatura ambiente e a temperatura estimada dos módulos fotovoltaicos. O desempenho dos modelos foi avaliado por meio do coeficiente de correlação de Pearson (r), coeficiente de determinação (R²), Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE), considerando horizontes de previsão de 1 mês, 1 semana, 1 dia, 6 horas, 2 horas e 1 hora. Entre os modelos térmicos avaliados, o modelo de Jacques apresentou o melhor desempenho para estimativa da temperatura dos módulos, obtendo R² de 0,906 e RMSE de 3,62 °C. Na etapa de previsão da PCA, o SVR apresentou os melhores resultados em todos os horizontes temporais analisados, alcançando valores de R² entre 0,8468 e 0,9330, além dos menores erros de previsão. Os resultados demonstraram que a redução do horizonte temporal tende a aumentar a precisão dos modelos e que a incorporação da temperatura dos módulos contribui significativamente para o aprimoramento da capacidade preditiva. Conclui-se que técnicas de aprendizado de máquina, especialmente o SVR, constituem ferramentas eficazes para previsão da geração fotovoltaica, podendo auxiliar no monitoramento operacional, planejamento energético e integração de fontes renováveis ao sistema elétrico.  

Palavras-chave: Energia solar fotovoltaica; Aprendizado de máquina; SVR; Random Forest; XGBoost..