ESTIMATIVA DE IRRADIÂNCIA SOLAR HORIZONTAL GLOBAL A PARTIR DE IMAGENS DO CÉU UTILIZANDO DEEP LEARNING

Descrição

A integração em larga escala da energia solar fotovoltaica nas matrizes elétricas globais impõe desafios significativos para a estabilidade do Sistema Interligado Nacional (SIN). O principal limitante operacional dessa fonte renovável é a sua intermitência, causada fundamentalmente pela dinâmica da cobertura de nuvens, que provoca flutuações nos níveis de irradiância que atingem a superfície terrestre. Tradicionalmente, a medição precisa da Irradiância Horizontal Global (GHI) é realizada por radiometros de alta precisão, equipamentos que apresentam elevado custo de aquisição, instalação e manutenção, inviabilizando sua implantação em alta densidade espacial. Como alternativa de baixo custo, sistemas de imageamento do céu baseados em câmeras comerciais adaptadas com lentes grande-angulares (olho-de-peixe) têm sido utilizados para monitorar a abóbada celeste. No entanto, os métodos convencionais para extrair a GHI destas imagens dependem de etapas manuais e complexas de segmentação de nuvens, modelagem de céu claro (do inglês, Clear Sky Models) e parametrização óptica, que frequentemente acumulam erros ao longo da cadeia de processamento. Neste contexto, este projeto de pesquisa propõe o desenvolvimento e a avaliação de um modelo computacional baseado em Inteligência Artificial, especificamente Redes Neurais Profundas, para estimar a GHI de forma direta. A abordagem suprime a necessidade de extração manual de características ou classificações intermediárias, permitindo que uma Rede Neural mapeie diretamente os tensores de entrada, as imagens, para um valor escalar contínuo de irradiância. O modelo será treinado e validado utilizando bancos de dados meteorológicos abertos e padronizados, contendo séries temporais de imagens sincronizadas com medições piranométricas de referência. Espera-se que a arquitetura desenvolvida alcance métricas de erro (RMSE e MAE) competitivas com os modelos de regressão clássicos da literatura, validando a viabilidade de sensores virtuais de irradiância baseados em visão computacional e aprendizado profundo no contexto da engenharia elétrica.