Desenvolvimento de metodologia de predição de geração fotovoltaica em curto e médio prazo a partir de análise de sistemas fotovoltaicos e de plataformas de previsão meteorológica

Abstract

A inserção da energia solar fotovoltaica na matriz elétrica apresenta alguns desafios, que estão relacionados, principalmente, à natureza intermitente da geração de energia elétrica a partir de sistemas fotovoltaicos. Embora o armazenamento da geração fotovoltaica resolva esse problema, uma predição da geração fotovoltaica é necessária para controlar a energia injetada na rede. Analisando a importância das predições de geração fotovoltaica, a presente Tese tem como objetivo desenvolver uma metodologia de regressão de classificação reduzida adaptada (RRRa) para a predição da geração fotovoltaica em curto e médio prazos. O modelo RRRa proposto é simples, de fácil acesso e aplicação, e não utiliza dados de irradiância. A aplicação da metodologia RRRa requer duas pesquisas/entradas. A primeira entrada são dos dados de previsão meteorológica obtidos a partir das plataformas de previsão meteorológica Ventusky e Open Weather e a segunda são dados históricos reais de produção fotovoltaica no local onde o método foi desenvolvido. O método foi desenvolvido por meio do sistema fotovoltaico de referência (SFVr) conectado à rede da Universidade Federal de Santa Catarina – UFSC. A plataforma Ventusky foi a principal plataforma utilizada de previsão do tempo para a aplicação da metodologia. As predições de geração fotovoltaica foram realizadas no período de março de 2022 até fevereiro de 2024. As métricas estatísticas utilizadas para avaliar o desempenho do método proposto foram a raiz do erro quadrático médio (RMSE), do erro absoluto médio (MAE) e do erro percentual absoluto médio (MAPE). O método proposto foi comparado com o método de persistência. Utilizando a plataforma Ventusky com o horizonte de curto prazo, o RMSE médio mensal para o RRRa variou de 7,3% a 77,5%. Para o método da persistência, variou de 15,1% a 65,0%. Utilizando o horizonte de médio prazo (24h), o RMSE médio mensal para o RRRa variou entre 4,5% e 62,5%. Para o método da persistência, variou de 11,5% a 75,0%. A validação do método foi realizada para o Sub 1 e o Sub 5 do sistema fotovoltaico do Instituto Federal de Santa Catarina – IFSC no período de quatro meses. Utilizando o horizonte de curto prazo, o Sub 1 obteve RMSE médio mensal de 0,7% a 4,1% de diferença quando comparado com o SFVr. O Sub 5 obteve RMSE médio mensal de 0,1% a 3,6% de diferença do SFVr. A presente Tese apresentou experimentalmente que o RRRa é competitivo com o estado da arte em termos de predições de geração fotovoltaica sem utilizar dados de radiação solar.

The insertion of photovoltaic solar energy into the electricity matrix presents some challenges, which are mainly related to the intermittent nature of electricity generation from photovoltaic systems. Although the storage of photovoltaic generation solves this problem, a prediction of photovoltaic generation is necessary to control the energy injected into the grid. Considering the importance of photovoltaic generation predictions, this thesis aims to develop an adapted reduced rank regression (RRRa) methodology for predicting photovoltaic generation in the short and medium term. The proposed RRRa model is simple, easy to access and apply, and does not use irradiance data. Applying the RRRa methodology requires two searches/inputs. The first input is weather forecast data obtained from the Ventusky and Open Weather forecasting platforms and the second is actual historical photovoltaic production data at the site where the method was developed. The method was developed using the photovoltaic system (SFVr) connected to the grid at the Federal University of Santa Catarina (UFSC). The Ventusky platform was the main weather forecasting platform used to apply the methodology. Predictions of photovoltaic generation were made from March 2022 to February 2024. The statistical metrics used to evaluate the performance of the proposed method were root mean square error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MAPE). The proposed method was compared with the persistence method. Using the Ventusky platform with a short-term horizon, the average monthly RMSE for RRRa ranged from 7.3% to 77.5%. For the persistence method, it ranged from 15.1% to 65.0%. Using the medium-term horizon (24h), the average monthly RMSE for RRRa ranged from 4.5% to 62.5%. For the persistence method, it ranged from 11.5% to 75.0%. The method was validated for Sub 1 and Sub 5 of the photovoltaic system at the Federal Institute of Santa Catarina (IFSC) over a four-month period. Using the short-term horizon, Sub 1 obtained an average monthly RMSE of between 0.7% and 4.1% when compared to the SFVr. Sub 5 obtained an average monthly RMSE of 0.1% to 3.6% different from the SFVr. This thesis has shown experimentally that RRRa is competitive with the state of the art in terms of predicting photovoltaic generation without using solar radiation data.