Pesquisadores da Universidade King Fahd de Petróleo e Minerais da Arábia Saudita conduziram uma investigação comparativa de sistemas solares fotovoltaicos flutuantes experimentais (SFPV) e solares fotovoltaicos montados no solo (GSPV) em um sistema de inteligência artificial (IA) que prevê a temperatura da superfície e a potência de saída de ambas as configurações.
“Os sistemas SFPV e GSPV são instalados e testados sob as mesmas condições climáticas de Azizia, Reino da Arábia Saudita e avaliados em profundidade com relação à energia elétrica produzida, temperatura do painel de superfície fotovoltaica, tensão PV-DC, corrente PV-DC e rendimento e eficiência energética”, explicou a equipe. “O segundo objetivo deste estudo se concentra na aplicação de modelos avançados de inteligência artificial para prever a geração de energia elétrica e a temperatura do painel de superfície fotovoltaica em sistemas SFPV e GSPV, uma área que não raramente foi investigada.”
As configurações SFPV e GSPV consistiam em dois painéis bifaciais com potência máxima de 545 W. Ambas as configurações também incluíam um inversor, uma bateria e um conjunto de registradores de dados e dispositivos de medição. O sistema SFPV foi instalado a 25 m da costa do Golfo do Bahrein, em Azizia, a uma profundidade de 1,5 m, enquanto o GSPV foi instalado nas proximidades em terra. O SFPV também usou uma estrutura de madeira, tambores de plástico reutilizáveis, uma estrutura de suporte feita de aço inoxidável, cabos de aço, ganchos e blocos de concreto de ancoragem.
A análise mostrou que a temperatura ambiente média a longo prazo flutuou de 15,35 ° C em janeiro para 36,0 ° C em julho, com a umidade relativa atingindo 31,65% em junho e atingindo um pico de 68,23% em dezembro. A intensidade solar horizontal global variou diariamente de 3,30 kWh/m²/dia a 7,74 kWh/m²/dia, com uma média geral de 5,64 kWh/m²/dia ao longo do ano. Além disso, a velocidade média do vento a 10 m acima do nível do mar variou entre 3,71 m/s em outubro e 5,42 m/s em junho.
As medições de ambos os dispositivos foram feitas em junho de 2024 e mostraram que o sistema SFPV melhorou a energia elétrica fotovoltaica média e acumulou energia elétrica líquida diária em 59,25% e 69,70%, respectivamente, em comparação com o sistema montado no solo. Isso se deveu, em parte, ao efeito de resfriamento da água do mar. Enquanto a média medida na superfície do GSPV foi de 58,40 °C, o SFPV teve 39,5 °C, uma redução de 32,36%.
Para prever as capacidades desses sistemas, o grupo combinou o algoritmo de otimização do urso pardo (BBOA) com a técnica de memória de longo e curto prazo (LSTM). O BBOA é inspirado nos comportamentos naturais dos ursos pardos e é usado para ajustar os hiperparâmetros do modelo LSTM. Os hiperparâmetros são as configurações externas definidas antes do início do processo de aprendizado do LSTM, que regem sua operação. O LTSM então usa sua capacidade de entender padrões para prever os resultados.
“O particionamento do conjunto de dados foi feito usando divisões 70/30, nas quais 70% do conjunto de dados foi alocado para treinamento e 30% para testes”, explicou o grupo. “As variáveis de entrada para o modelo incluem recursos como tempo, radiação solar, corrente fotovoltaica, tensão fotovoltaica e temperatura ambiente, enquanto as saídas alvo são energia elétrica e temperatura da superfície fotovoltaica.”
O LSTM-BBOA foi então comparado com três outros modelos: máquina de aumento de gradiente de luz (LightGBM), LSTM sozinho e unidade recorrente fechada (GRU). De acordo com os resultados, o modelo LSTM-BBOA alcançou robustez superior nos sistemas SFPV e GSPV. No caso da eletricidade da SFPV, ela alcançou um coeficiente determinístico (R²) de 0,9998. Para compressão, o LSTM sozinho recebeu 0,9966 e o LightGBM teve 0,9844.
A análise mostrou que o híbrido LSTM-BBOA revelou um desempenho “robusto” com valores mínimos de erro médio absoluto (MAE), raiz quadrada média (RMSE) e coeficiente de variação (COV) de 0,4884, 0,5031 e 0,1938 para as previsões de produção de energia SFPV. Enquanto o LightGBM autônomo exibiu os valores máximos de MAE, RMSE e COV de 5,7036, 12,6872 e 20,3577, respectivamente.
“O modelo LSTM-BBOA alcançou valores de coeficiente de eficiência de pico (EC) e índice geral (OI) de 0,9998 e 0,9931, respectivamente, excedendo as pontuações do modelo LSTM de 0,9969 e 0,9472 para produção de energia SFPV”, concluíram os cientistas. “Em comparação, o LightGBM registrou os valores mais baixos de EC e OI, em 0,9844 e 0,9190, respectivamente.”
Suas descobertas foram apresentadas em “Benchmarking reinforcement learning and prototyping development of floating solar power system: Experimental study and LSTM modeling combined with brown-bear optimization algorithm“, publicado na Energy Conversion and Management.
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.