Linha de pesquisa: Inteligência Artificial

Resumo: A crescente participação da energia fotovoltaica na matriz elétrica evidencia a neces sidade de métodos de previsão capazes de fornecer estimativas precisas da geração de energia, contribuindo para o planejamento da operação do sistema elétrico. Entretanto, modelos preditivos podem sofrer degradação de desempenho ao longo do tempo em de corrência de mudanças nas características dos dados, tornando necessária sua adaptação contínua. Nesse contexto, esta dissertação propõe uma arquitetura adaptativa para pre visão de geração de energia fotovoltaica baseada em aprendizado de máquina, integrando monitoramento de degradação e aprendizado incremental. Inicialmente, foram avaliadas diferentes estratégias de pré-processamento, modelos preditivos e métodos de otimização de hiperparâmetros utilizando dados históricos de uma usina fotovoltaica localizada em Minas Gerais. Foram avaliados os modelos persistência, ARIMA, Regressão Ridge, MLP e LSTM. Em seguida, um segundo conjunto de dados foi utilizado para avaliar atributos cíclicos, remoção de variáveis pouco correlacionadas e exclusão do período noturno. Por fim, foram avaliadas quatro configurações adaptativas combinando os detectores CUSUM e ADWIN às estratégias de aprendizado incremental fine-tuning e EWC. Os resultados demonstraram que a agregação pela média, a normalização Min-Max e os modelos LSTM apresentaram os melhores desempenhos preditivos, sobretudo para horizontes superio res a 15 minutos. A remoção do período noturno favoreceu o aprendizado dos modelos, enquanto a inclusão de atributos cíclicos não produziu ganhos consistentes. Entre as arquiteturas adaptativas avaliadas, a combinação ADWIN + EWC apresentou o melhor desempenho, reduzindo a frequência de atualizações do modelo e preservando sua capa cidade preditiva ao longo do tempo. Além disso, o aprendizado incremental permitiu adaptar progressivamente modelos treinados com poucos dados, evidenciando seu poten cial para aplicações reais.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...