DEFESA Nº 131

Discente: Hugo Abreu Mendes

Título: “SISTEMAS HÍBRIDOS PARA PREVISÃO DE RADIAÇÃO SOLAR APLICADOS NO ARMAZENAMENTO DE ENERGIA POR BATERIAS”  

Orientador: Prof. Dr. Manoel Henrique da Nóbrega Marinho.

Co-orientador: Prof. Dr. João Fausto Lorenzato de Oliveira.

Examinador Interno: Prof. Dr. Francisco Madeiro Bernardino Junior (UPE) 

Examinador Externo: Prof. Dr. Paulo Salgado Gomes De Mattos Neto (UFPE)  

Data-hora: 23/12/2021, às 10h

Local: Formato Remoto

CÓDIGO DA SALA - Google meet: meet.google.com/qxq-uqps-grr 

Resumo do Projeto:

A estimativa de variáveis climatológicas pode ser feita através de modelagens numéricas variadas. Uma das formas úteis se dá pela análise e modelagem de séries temporais. No contexto da geração de energias limpas, são feitas previsões de radiação solar, para usinas fotovoltaicas e velocidade do vento para usinas eólicas. Modelos lineares de séries temporais como ARIMA são muito utilizados, porém muito se avançou utilizando algoritmos de \textit{machine learning} para melhorar os resultados, que podem ser utilizados em conjunto com modelos lineares, resultando em modelos híbridos. Este trabalho foca em dois experimentos distintos, que juntos complementam o entendimento sobre implementações de AutoML. Para a obtenção dos resultados, foi utilizada uma metodologia com dados do INMET, instituto de metrologia brasileiro, em escala horária. No primeiro experimento é apresentada uma nova forma de automatizar a modelagem SARIMAX a partir do uso em conjunto dos algoritmos de otimização PSO e ACO, considerando a sazonalidade e possíveis variáveis exógenas disponíveis. Também são apresentados 2 modelos híbridos distintos que possuem MLPs como elementos principais para modelagem de resíduo e combinação entre previsão do resíduo e previsão do modelo SARIMAX. Ainda sobre o primeiro experimento, é apresentado um protocolo para obtenção dos resultados, obtidos para tais modelos que se mostraram promissores para utilização em sistemas automáticos de previsão de radiação. No segundo experimento, são apresentadas três diferentes otimizações de modelos conhecidos aplicados para previsão da radiação solar, ACOLSTM, ACOCLSTM e AGMMFF, comparados com os AutoMLs de código aberto TPOT, HPSKLEARN e AutoKeras. Os resultados obtidos pelo segundo experimento, são promissores para uso em sistemas automáticos de previsão da radiação solar, visto que o ACOLSTM superou os modelos comparados. Ao fim do segundo experimento é apresentada uma forma de simular um BESS, exemplificando como a previsão pode ajudar na manutenção e tomadas de decisão desta categoria de sistema.

Palavras-chave: Radiação solar, séries temporais, aprendizado de máquina, otimização;