Short-term solar forecasting in Germany

: using satellite imagery and a hybrid CNN-2-LSTM approach

Resumo

Esta tese apresenta um modelo híbrido de Rede Neural Convolucional para Memória de Longo e Curto Prazo (CNN-2-LSTM) para previsão de energia solar a curto prazo, usando dados do sudeste da Alemanha. O desempenho do modelo é comparado com um modelo de Memória de Longo e Curto Prazo (LSTM) e uma previsão de persistência. Imagens de nuvens da base de dados CLAAS-3 da METEOSAT são combinadas com dados de Irradiância Horizontal Global (GHI) minuto a minuto do Instituto Fraunhofer. Os modelos prevêem a produção de energia solar em horizontes de 15 minutos, 3 horas e 6 horas, com 37 modelos testados. A tese também introduz uma nova métrica de desempenho que usa preços de energia de balanço para calcular o impacto económico dos modelos. Os resultados mostram que o modelo CNN-2-LSTM supera significativamente as referências no horizonte de 15 minutos. No horizonte de três horas, seu desempenho é comparável ao modelo LSTM, e no horizonte de seis horas, fica atrás do modelo LSTM. Estes resultados destacam a eficácia do modelo para previsões de curto prazo e a necessidade de otimização para escalas temporais específicas. A pesquisa sublinha o potencial das abordagens híbridas de aprendizagem profunda para melhorar a previsão de energia solar a curto prazo. O modelo oferece uma alternativa custo-eficaz a sistemas mais complexos, sendo uma ferramenta valiosa para empresas de energia solar. O estudo incentiva a otimização de modelos para diferentes horizontes, contribuindo para a gestão de energia renovável em linha com os objetivos de desenvolvimento sustentável (ODS).

Data do prémio	4 jul. 2024
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Afonso Fernandes (Supervisor)