Previsão da Potência Elétrica de um Sistema Fotovoltaico: Uma Análise Comparativa entre Modelos de Aprendizado de Máquina / Prediction of Electric Power of a Photovoltaic System: A Comparative Analysis Between Machine Learning Models
Resumo
Este trabalho tem como objetivo comparar, na previsão da potência elétrica gerada por um sistema fotovoltaico, os desempenhos de previsão dos algoritmos XGBoost (Xtreme Gradient Boosting Regressor) e LighGBR (Light Gradient Boosting Regressor). Uma base de dados obtida de um sistema fotovoltaico localizado na região oeste paranaense foi utilizada para realizar esta comparação. A base de dados, com 21604 observações, apresenta as seguintes variáveis: potência elétrica, temperatura do sistema fotovoltaico e irradiação solar. Modelos de previsão XGBoost e LighGBR, otimizados por meio da biblioteca de ajuste de hiperparâmetros Optuna, foram implementados na linguagem de programação Python. Resultados de previsão foram comparados por meio das métricas: R2 (Determination coefficient), MAE (Mean Absolute Percent Error) e RMSE (Root Mean Squared Error). Verificou-se, para resultados de previsão de um, dois e quatro dias, que o modelo XGBoost apresentou, com relação ao modelo LighGBR, um melhor desempenho.
Palavras-chave: Aprendizado de máquina. Modelos. Optuna. Python.
ABSTRACT
This work aims to compare the performance of the XGBoost (Xtreme Gradient Boosting Regressor) and LighGBR (Light Gradient Boosting Regressor) algorithms in predicting the electrical power generated by a photovoltaic system. A database obtained from a photovoltaic system located in the western region of Paraná was used to perform this comparison. The database presents 21,604 observations and the following variables: electrical power, photovoltaic system temperature, and solar irradiation. XGBoost and LighGBR forecasting models, optimized through the Optuna hyperparameter tuning library, were implemented in Python. Forecasting results were compared using the following metrics: R2 (Determination coefficient), MAE (Mean Absolute Percent Error), and RMSE (Root Mean Squared Error). It was found that, for one-, two- and four-day forecasting results, the XGBoost model presented better performance than the LighGBR model.
Keywords: Machine learning. Models. Optuna. Python.
Referências
REFERÊNCIAS
AGGA, A.; ABBOU, A.; LABBADI, M.; HOUM, Y. E. CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research, 2022.
AL-ALI, E.; HAJJI, Y.; SAID, Y.; HLEILI, M.; ALANZI, A. M.; LAATAR, A. H.; ATRI, M. Solar Energy Production Forecasting Based on a Hybrid CNN-LSTM-Transformer Model. Mathematics, v. 11, 2023.
CHEN, T.; GUESTRINB, C. XGBoost: A Scalable Tree Boosting System. 2016. Disponível em: < https://arxiv.org/pdf/1603.02754 >. Acesso em: 20 jan. 2024.
DENG, Z.; ZHOU, D.; KANG, Z.; Dong, H. (2024). Deep learning-based dynamic forecasting method and application for ultra-deep fractured reservoir production. Frontiers in Energy Research, v.12, 2024.
EPE (Empresa de Pesquisa Energética). (2024). EPE BEN 2024 - Relatório Síntese - Ano base 2023. Disponível em: . Acesso em: 20 jan. 2024.
GARIP, Z.; EKINI, E.; ALAN, A. Day-ahead solar photovoltaic energy forecasting based on weather data using LSTM networks: a comparative study for photovoltaic (PV) panels in Turkey. Electrical Engineering, v. 105, 2023.
JUNIOR, D. S.; OLIVEIRA, J. F.; SIQUEIRA, H. Previsão de Carga Baseada em Ensemble de Modelos Inteligentes. 2019. Disponível em: < https://sbic.org.br/wp-content/uploads/2019/12/CBIC2019-114.pdf>. Acesso em: 10 fev. 2024.
LIM, Y. Otimização de hiperparâmetros de aprendizado de máquina de última geração com Optuna. 2022. Disponível em: . Acesso em: 15 fev. 2024.
LU, W.; LU, J.; & SUN, A. A CNN‐LSTM‐based model to forecast stock prices. Complexity, 2020.
MICHELS, R, N. Avaliação de um sistema de bombeamento de água alimentado por painéis fotovoltaicos. 2007. Disponível em: < https://tede.unioeste.br/bitstream/tede/2643/1/Roger%20Nabeyama%20Michels.pdf >. Acesso em: 15 mar. 2024.
OLIVEIRA, L.; RUSTICK, A.; SANTOS, J. A. A. Estimativa de vazão de um sistema de bombeamento fotovoltaico usando redes neurais artificiais. Retec, v. 16, 2023.
SRIDHAR, A.; KARHUNEN, M.; HONKAPURO, S.; RUIZ, F. Forecast or Nowcast to Predict Electricity Prices? The Role of Open Data. 2024. Disponível em: https://ieeexplore.ieee.org/document/10608865 >. Acesso em: 25 jun. 2024.
SOLANO, E. S.; DEHGHANIAN, P.; AFFONSO, C. M. Solar Radiation Forecasting Using Machine Learning and Ensemble Feature Selection. Energies, v. 15, 2022.
TANG, M.; ZHAO, Q.; LONG, W.; HUANG, B. An Improved LightGBM Algorithm for Online Fault Detection of Wind Turbine Gearboxes. Energies, v. 13, 2020.
XU, Y.; ZHENG, S.; ZHU, Q.; WONG, K.; WANG, X.; LIN, Q. (2023). A complementary fused method using GRU and XGBoost models for long-term solar energy hourly forecasting. Energies, v. 11, 2023.
ZHOU, M.; LI, X.; ZHONG, Z. (2023). Research on Photovoltaic Power Generation Power Prediction Based on RF-XGBoost Model. Disponível em: https://ieeexplore.ieee.org/document/10393154 >. Acesso em: 5 mar. 2024.
DOI: http://dx.doi.org/10.12819/2025.22.3.9
Apontamentos
- Não há apontamentos.
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional.
Atribuição (BY): Os licenciados têm o direito de copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, conquanto que deem créditos devidos ao autor ou licenciador, na maneira especificada por estes.
Não Comercial (NC): Os licenciados podem copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, desde que sejam para fins não-comerciais
Sem Derivações (ND): Os licenciados podem copiar, distribuir, exibir e executar apenas cópias exatas da obra, não podendo criar derivações da mesma.
ISSN 1806-6356 (Impresso) e 2317-2983 (Eletrônico)