Comparação do desempenho dos algoritmos RF e KNN na previsão da energia gerada por quatro tecnologias fotovoltaicas
DOI:
https://doi.org/10.21712/lajer.2025.v12.n2.p77-85Palavras-chave:
aprendizado de máquina, energia fotovoltaica, modelos preditivosResumo
Resumo: Esta pesquisa tem como objetivo avaliar e comparar o desempenho de previsão, de geração de energia fotovoltaica, dos algoritmos Random Forest (RF) e K-Nearest Neighbors (KNN), utilizando uma base de dados com poucas observações. A base de dados, obtida de uma estação solarimétrica localizada na Universidade Tecnológica Federal do Paraná, apresenta, no período entre jan/2020 e dez/2023, séries históricas de geração de energia elétrica das tecnologias de silício monocristalino (m-Si), silício policristalino (p-Si), disseleneto de cobre, índio e gálio (CIGS) e de telureto de cádmio (CdTe). Para avaliar o desempenho, dos modelos RF e KNN, foi utilizada a métrica MAPE (Mean Absolute Percentage Error). Os resultados mostraram, para um horizonte de 4 meses, que o modelo Random Forest apresentou, para todas as tecnologias, o melhor desempenho.
Downloads
Referências
Abdelsattar M, AbdelMoety A and Eldeen AE (2025) ‘Advanced machine learning techniques for predicting power generation and fault detection in solar photovoltaic systems’, Neural Computing and Applications, vol. 37. http://doi.org/10.1007/s00521-025-11035-6.
Flores JL, Márques CR, Castro ER and Ortega JMP (2024) ‘Solar photovoltaic panel production in Mexico. A novel machine learning approach’, Environmental Research, vol. 29. http://doi.org/10.1016/j.envres.2023.118047.
Fraunhofer I (2023) ‘Photovoltaics Report’, Disponível em: www.ise.fraunhofer.de/content/dam/ise/de/documents/publications/studies/Photovoltaics-Report.pdf. (Acesso em: 18 mai. 2025).
Konstantinou M, Peratikou S and Charalambide AG (2021) Solar photovoltaic forecasting of power output using LSTM networks’, Atmosphere, vol. 21, http://doi.org/10.3390/atmos12010124.
LABENS. ‘Energia gerada pelas estações EPESOL’, Disponível em: https://lookerstudio.google.com/reporting/d4eeef94-0967-45c488f2087e92bf81e3/page/OnwhB?s=rIzDee2c8X0. (Acesso em: 18 mai. 2025).
Leo DP, Ciocia A, Malgaroli G and Spertino F (2025) ‘Advancements and challenges in photovoltaic power forecasting: a comprehensive review’, Energies. vol. 18. http://doi.org/10.3390/en18082108.
Nakahata BY (2023) Análise de desempenho de quatro tecnologias aplicadas a sistemas fotovoltaicos conectados a rede elétrica instalados em diferentes campus da UTFPR no Paraná. Dissertação de Mestrado, Universidade Tecnológica Federal do Paraná, Curitiba.
Palacios LEO, Guerrero VB and Ordones H (2022) ‘Machine Learning for Solar Resource Assessment Using Satellite Images’, Energies, vol. 15. https://doi.org/10.3390/en15113985.
Polo ANB and Santos JAA (2025) ‘Previsão da potência elétrica de um sistema fotovoltaico: uma análise comparativa entre modelos de aprendizado de máquina’, Revista FSA. vol. 22. http://doi.org/10.12819/2025.22.3.9.
Santos JA and Chaucoski, Y (2020) ‘Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA e LSTM’, Revista CEREUS, vol. 12. https://10.18605/21757275/cereus.v12n4p93-104.
Santos JAA (2021) ‘Aplicação de Redes Neurais na Previsão de Custos de Produção de Frangos de Corte no Estado do Paraná’, Revista FSA, vol. 18. http://doi.org/10.12819/2021.18.6.9.
Shams MY, Elshewey AM, El-Kenawy EM, Ibrahim A, Talaat FM and Tarek, Z (2024) ‘Water quality prediction using machine learning models based on grid search method’, Multimedia Tools and Applications, vol. 83. http://doi.org/10.1007/s11042-023-16737-4.
Srinivas P and Katarya R (2022) ‘hyOPTXg: OPTUNA hyper-parameter optimization framework for predicting cardiovascular disease using XGBoost’, Biomedical Signal Processing and Control, vol. 73, http://doi.org/10.1016/j.bspc.2021.103456.
Suyambu MR, Vishwakarma PK and Gupta S (2025) ‘Predicting Solar Power Based on Machine Learning Approaches and Their Efficacy’, Disponível em: https://ieeexplore.ieee.org/document/9917846. (Acesso em: 20 jun. 2025).
Villar A, Robledo C and Andrade V ‘Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study’, Discover Artificial Intelligence. vol. 4, http://doi.org/10.1007/s44163-023-00079-z.
Villalva MG and Gazoli, JR (2012) ‘Energia solar fotovoltaica - sistemas conectados à rede elétrica’. Revista o Setor Elétrico, Disponível em: https://www.osetoreletrico.com.br/capitulo-x-energia-solar-fotovoltaica-sistemas-conectados-a-rede-eletrica/. (Acesso em: 20 jun. 2025).
Vrablecova P, Ezzeddine AB and Rozinajová V (2018) ‘Smart grid load forecasting using online support vector regression’, Comput. Electr. Eng., vol. 65. https://doi.org/10.1016/j.compeleceng.2017.07.006.
Zhou M, Li X and Zhong Z (2023) ‘Research on Photovoltaic Power Generation Power Prediction Based on RF-XGBoost Model’, Disponível em: https://ieeexplore.ieee.org/document/10393154. (Acesso em: 20 jun. 2025).
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Latin American Journal of Energy Research
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O autor, no ato da submissão do artigo, transfere o direito autoral ao periódico.
