Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina

A busca crescente por energias renováveis cria um desafio de gestão de fornecimento. Fontes de energia fotovoltaica possuem intermitência de geração ocasionada por fatores meteorológicos e a imprevisibilidade destas variações deixa as redes suscetíveis a problemas de instabilidade, qualidade e equilibro. A produção possui uma forte relação com a irradiação solar, porém esta irradiação depende de diversos fatores meteorológicos que combinados determinam sua capacidade de geração. Neste aspecto, a previsão da geração de energia em painéis fotovoltaicos pode melhorar o gerenciamento através do planejamento de geração. Esta previsão permite equilibrar diferentes fontes de energia, o que é vital para alcançar uma maior penetração da utilização de energia fotovoltaica. Para contornar o problema, este trabalho se propõe a investigar a combinação de dados de satélite com dados meteorológicos para prever o potencial de geração de energia em um horizonte de 30, 60, 120 e 180 minutos. Para tal são utilizadas imagens do satélite GOES-16 em combinação com dados de uma estação meteorológica terrestre na ilha de Florianópolis. Os dados são utilizados para alimentar uma rede neural convolucional. As convoluções são utilizadas na construção de uma camada para extração de características das imagens de satélite com intuito de analisar a informação para relacionar com a irradiação solar. A saída da rede convolucional é utilizada como entrada de uma rede \textit{multilayer perceptron}, que utiliza os dados para prever a irradiação na estação. Como resultado do estudo foi observado que os modelos com imagens de satélite possuem um desempenho na ordem de 41,14% maior no horizonte de 30min e 21,24% maior no horizonte de 180min quando comparados com os modelos sem imagens de satélite.