Publicação: Previsão de geração de energia fotovoltaica baseada em aprendizado de máquina com monitoramento de degradação e aprendizado incremental
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Pessin, Gustavo
Resumo
A crescente participação da energia fotovoltaica na matriz elétrica evidencia a necessidade de métodos de previsão capazes de fornecer estimativas precisas da geração de energia, contribuindo para o planejamento da operação do sistema elétrico. Entretanto, modelos preditivos podem sofrer degradação de desempenho ao longo do tempo em decorrência de mudanças nas características dos dados, tornando necessária sua adaptação contínua. Nesse contexto, esta dissertação propõe uma arquitetura adaptativa para previsão de geração de energia fotovoltaica baseada em aprendizado de máquina, integrando monitoramento de degradação e aprendizado incremental. Inicialmente, foram avaliadas diferentes estratégias de pré-processamento, modelos preditivos e métodos de otimização de hiperparâmetros utilizando dados históricos de uma usina fotovoltaica localizada em Minas Gerais. Foram avaliados os modelos persistência, ARIMA, Regressão Ridge, MLP e LSTM. Em seguida, um segundo conjunto de dados foi utilizado para avaliar atributos
cíclicos, remoção de variáveis pouco correlacionadas e exclusão do período noturno. Por fim, foram avaliadas quatro configurações adaptativas combinando os detectores CUSUM e ADWIN às estratégias de aprendizado incremental fine-tuning e EWC. Os resultados demonstraram que a agregação pela média, a normalização Min-Max e os modelos LSTM apresentaram os melhores desempenhos preditivos, sobretudo para horizontes superiores a 15 minutos. A remoção do período noturno favoreceu o aprendizado dos modelos, enquanto a inclusão de atributos cíclicos não produziu ganhos consistentes. Entre as arquiteturas adaptativas avaliadas, a combinação ADWIN + EWC apresentou o melhor desempenho, reduzindo a frequência de atualizações do modelo e preservando sua capacidade preditiva ao longo do tempo. Além disso, o aprendizado incremental permitiu adaptar progressivamente modelos treinados com poucos dados, evidenciando seu potencial para aplicações reais.
Abstract
The increasing participation of photovoltaic energy in the electrical grid highlights the need for forecasting methods capable of providing accurate estimates of power generation, supporting the planning and operation of power systems. However, predictive models may experience concept drift over time due to changes in data characteristics, requiring continuous adaptation. In this context, this study proposes an adaptive architecture for photovoltaic power forecasting based on machine learning, integrating concept drift monitoring and incremental learning. Initially, different preprocessing strategies, predictive models, and hyperparameter optimization methods were evaluated using historical data from a photovoltaic power plant located in Minas Gerais, Brazil. The evaluated models included Persistence, ARIMA, Ridge Regression, MLP, and LSTM networks. Subsequently, a second dataset was used to evaluate the effects of cyclical features, the removal of weakly correlated variables, and the exclusion of nighttime data. Finally, four adaptive configurations combining the CUSUM and ADWIN concept drift detectors with the finetuning and EWC incremental learning strategies were evaluated. The results showed that mean aggregation, Min-Max normalization, and LSTM models achieved the best predictive performance, particularly for forecasting horizons longer than 15 minutes. Excluding nighttime data improved model learning, whereas the inclusion of cyclical features did not provide consistent performance gains. Among the evaluated adaptive architectures, the ADWIN + EWC combination achieved the best performance, reducing the frequency of model updates while preserving predictive accuracy over time. Furthermore, incremental learning enabled models trained with limited data to progressively adapt, demonstrating its potential for real-world applications.
Palavras-chave
Previsão de geração fotovoltaica, Aprendizado incremental, Monitoramento de degradação, LSTM, Energia solar, EWC, ADWIN, Photovoltaic power forecasting, Incremental learning, Concept drift, Solar energy, Computação
Citação
TIAGO, Vitor Hugo Honorato. Previsão de geração de energia fotovoltaica baseada em aprendizado de máquina com monitoramento de degradação e aprendizado incremental. 2026. 139 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.677.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto