A previsão precisa da radiação solar é um elemento-chave para o planejamento e a expansão da energia solar, mas ainda enfrenta limitações práticas importantes. Sensores terrestres, como piranômetros, fornecem dados de alta qualidade, porém têm custos elevados de instalação e manutenção, o que restringe sua disponibilidade espacial e temporal. Para contornar esse problema, pesquisadores brasileiros da PUC Minas conduziram um estudo que utiliza e compara modelos matemáticos e técnicas de aprendizado de máquina e inteligência artificial para prever a radiação solar no Sudeste do Brasil, com foco no estado de Minas Gerais.
A pesquisa compara diferentes famílias de modelos de séries temporais treinados com mais de 30 anos de dados meteorológicos mensais obtidos por satélites da NASA, avaliando tanto o desempenho estatístico quanto a distribuição espacial dos erros de previsão.
O estudo “Solar Radiation Times-Series Forecasting in Southern Brazil: A Comprehensive Analysis” compara cinco modelos de aprendizado de máquina para séries temporais: Holt-Winters, Média Móvel Integrada Autoregressiva Sazonal com Dados Exógenos (SARIMAX), Memória de Longo Prazo (LSTM), Impulso de Gradiente Extremo (XGBoost) e Máquina de Vetores de Suporte (SVM). Os modelos foram treinados utilizando mais de 30 anos de dados meteorológicos mensais coletados por satélites da NASA, juntamente com duas técnicas diferentes de validação cruzada, para prever a radiação solar global em uma superfície horizontal em 90 pontos no estado de Minas Gerais e arredores.
“Embora trabalhos anteriores tenham contribuído significativamente para a previsão da radiação solar, eles frequentemente se baseiam em conjuntos de dados de curto prazo, número limitado de locais ou registros observacionais com dados faltantes e cobertura inconsistente”, disseram os pesquisadores. “Nosso estudo contribui analisando mais de 30 anos de dados contínuos e espacialmente consistentes, obtidos por satélite, em 90 locais no sudeste do Brasil, comparando cinco modelos de previsão amplamente adotados sob dois esquemas de validação cruzada e realizando uma avaliação espacial dos erros de previsão. Essa abordagem não apenas aumenta a confiabilidade dos resultados para uma região de importância estratégica para a expansão da energia solar, mas também fornece uma metodologia que pode ser replicada globalmente, dada a disponibilidade mundial do conjunto de dados.”
Os modelos foram treinados com dados meteorológicos mensais de mais de três décadas, fornecidos por satélites da NASA, que oferecem cobertura espacial uniforme e disponibilidade global gratuita. Embora esses dados tenham menor precisão pontual do que medições terrestres, sua continuidade temporal e abrangência espacial permitem análises regionais consistentes.
Com base em estudos anteriores de seleção de características, foram utilizadas variáveis climáticas como pressão atmosférica, temperatura, umidade relativa e velocidade do vento.
“Nosso trabalho avança a literatura sobre previsão de séries temporais de radiação solar, fornecendo uma estrutura padronizada e replicável que integra treinamento de modelos, validação e interpolação espacial. Ao combinar dados de satélite de longo prazo disponíveis gratuitamente com diferentes modelos de aprendizado de máquina e procedimentos de validação cruzada, nossa metodologia permite tanto uma avaliação de desempenho confiável quanto a geração de mapas de radiação solar que podem orientar o planejamento energético e ser facilmente estendidos a outras regiões do mundo”, disseram os pesquisadores.
O desempenho foi avaliado por meio de métricas consagradas na literatura, como erro quadrático médio (RMSE), erro absoluto médio (MAE) e coeficiente de determinação (R²). Além da análise numérica, os resultados foram interpolados espacialmente, permitindo a construção de mapas de desempenho para todo o estado.
Os resultados confirmam a superioridade geral dos modelos de aprendizado de máquina em relação a abordagens estatísticas mais simples, especialmente quando aplicados a conjuntos de dados extensos e variados. A análise espacial revelou que o desempenho dos modelos varia de acordo com as características geográficas e climáticas das diferentes regiões de Minas Gerais, que abrange climas tropicais e subtropicais, além de áreas de grande variação altimétrica.
Os modelos Holt-Winters e SARIMAX apresentaram o desempenho mais consistente, com o menor MAE de 0,302 kWh/m²./dia e 0,338 kWh/m²/dia, respectivamente. No entanto, todos os modelos produziram previsões confiáveis. Apesar de apresentar as menores métricas de erro, o modelo Holt-Winters divergiu dos valores mensais observados, prevendo consistentemente valores mais altos em todo o estado. Os modelos SARIMAX e XGBoost produziram previsões mais alinhadas com o comportamento solar observado, embora o desempenho tenha variado entre as regiões.
O estudo também demonstra que a combinação de dados de satélite de longo prazo, múltiplos modelos de previsão e procedimentos rigorosos de validação cruzada resulta em estimativas mais confiáveis da radiação solar mensal, com horizonte de previsão de até um ano.
Ao integrar previsão temporal e análise espacial, o trabalho oferece uma metodologia padronizada e replicável para a estimativa da radiação solar em larga escala. Essa abordagem pode apoiar estudos de viabilidade, planejamento energético e expansão da geração solar, especialmente em regiões onde dados observacionais terrestres são escassos ou inconsistentes.
Por utilizar dados gratuitos e globalmente disponíveis, a metodologia pode ser aplicada a outras regiões do mundo, ampliando sua relevância para o planejamento da transição energética em diferentes contextos geográficos.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.