Desenvolvimento de modelos para inferir eficiência de usinas fotovoltaicas a partir de dados meteorológicos usando Redes Neurais Artificiais
Concluído
Este projeto propõe desenvolver modelos para inferir a eficiência da geração de energia em usinas de geração fotovoltaicas a partir de dados pluviométricos utilizando Redes Neurais Artificiais (RNA). O estudo utilizará dados de geração de usinas reais do RN e precipitação de 24 meses, de 2022 e 2023, utilizando os índices meteorológicos fornecidos pelo ICEA (Instituto de Controle do Espaço Aéreo), INPE e o INMET (Instituto Nacional de Meteorologia). Sabemos que há uma relação inversamente proporcional entre a quantidade de chuva em uma usina e a sua capacidade de gerar energia solar, vemos que os meses mais chuvosos apresentaram uma queda na produção de energia em relação aos meses mais secos, devido ao aumento de nuvens que diminuem a incidência de raios solares. Será feita análise estatística dos dados meteorológicos e de usinas reais do RN para obter informações relevantes no processo, através do sumário estatístico poderemos analisar quão forte é a correlação entre precipitação e geração, por exemplo. O objetivo do trabalho é a partir dessas informações e dados desenvolver modelos para inferir a eficiência da geração de energia em usinas de geração fotovoltaicas a partir dos dados pluviométricos da região do Rio Grande do Norte (RN) utilizando diferentes tipos de RNA para geração dos modelos. O modelo com melhor desempenho será selecionado para teste e validação e, os resultados serão analisados para desenvolvimento do artigo. O projeto contribuirá para uma avaliação mais precisa do desempenho de usinas fotovoltaicas, considerando as condições reais de operação. Isso permitirá o desenvolvimento de usinas mais eficientes e sustentáveis no estado. Para trabalhos futuros empregaremos o modelo para inferir eficiência em usinas de outras regiões e ver a necessidade, ou não, de modelos diferentes baseados em dados dessas respectivas regiões.
Projeto importado do Suap em 22/03/2026 às 04:46 (há 17 horas, 31 minutos)