2021-04-202021-04-202021-03-05PAIVA, G. M. Métodos de aprendizagem de máquinas aplicados em previsão solar intra-diária para operação de sistemas de potência. 2021. 105 f. Tese (Doutorado em Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia, 2021.http://repositorio.bc.ufg.br/tede/handle/tede/11257Prever o recurso solar é uma ferramenta essencial para sua integração com a rede elétrica. Esta tese foca em previsão solar intra-diária, com uma análise robusta de previsão de irradiância testada em múltiplas localidades e uma proposta de implementação de previsão de potência fotovoltaica (FV). Dois algoritmos de aprendizagem de máquinas são avaliados para previsão intra-diária da irradiância solar: programação genética multigene (PGMG) e redes neurais artificiais do tipo multilayer perceptron (MLP). PGMG é um algoritmo evolucionário e um método tipo "caixa branca" e é uma nova técnica na área. Os algoritmos de aprendizagem de máquinas também são comparados com um modelo de persistência inteligente (smart persistence) para prever a irradiância solar com dados de seis localidades. Os horizontes de previsão considerados são 15-120 minutos à frente. Os resultados das simulações mostram um aprimoramento consistente das previsões quando variáveis climáticas exógenas são adicionadas como entrada aos modelos, sendo 5.68% o aprimoramento pelo cálculo de erro médio absoluto (MAE) e 3.41% o aprimoramento pelo cálculo de raiz do erro quadrático médio (RMSE). Os resultados também mostram que localidade, horizonte de previsão e métrica de erro escolhida influenciam a dominância de acurácia dos modelos. Dois modelos de irradiância de céu claro foram implementados, mas os resultados indicam para uma baixa influência dos modelos na acurácia de previsão para previsões multivariadas por aprendizagem de máquinas. Em uma perspectiva genérica, PGMG apresentou resultados mais precisos e robustos que MLP em previsões individuais, provendo soluções mais rápidas. Entretanto, MLP apresentou mais precisão em previsões do tipo ensemble, porém estas apresentam também maior complexidade e maior custo computacional. A implementação de previsão de potência FV mostrou resultados consistentes, aprimorando valores de RMSE de previsões de persistência em 9.79%-23.75% para horizontes de 15-120 minutos.Attribution-NonCommercial-NoDerivatives 4.0 InternationalRedes neurais artificiaisPrevisão solar intra-diáriaProgramação genética multigeneOperação de sistema elétrico de potênciaPrevisão de potência FVPrevisão de curto prazoArtificial neural networksIntraday solar forecastingMultigene genetic programmingPower system operationPV power forecastingShort-term forecastingENGENHARIAS::ENGENHARIA ELETRICA::CIRCUITOS ELETRICOS, MAGNETICOS E ELETRONICOSTese