Comparação do desempenho dos algoritmos XGBoost e LightGBM na previsão de potência de sistemas fotovoltaicos
DOI:
https://doi.org/10.21712/lajer.2026.v13.n1.p71-80Palavras-chave:
aprendizado de máquina; energia solar; modelos preditivos; optuna.Resumo
Resumo: Este trabalho tem como objetivo comparar o desempenho, na previsão da potência gerada por dois sistemas fotovoltaicos, dos algoritmos, baseados em boosting, XGBoost (eXtreme Gradient Boosting) e LightGBM (Light Gradient Boosting Machine). A base de dados foi obtida de uma Estação de Pesquisa em Energia Solar (EPESOL). A EPESOL possui dois sistemas distintos de energia solar fotovoltaica: um utiliza silício monocristalino (m-Si) e o outro silício policristalino (p-Si). A base de dados compreende 25235 observações, para cada tecnologia, e inclui as seguintes variáveis: Potência elétrica DC, Temperatura dos módulos, Irradiação solar e Hora do dia. Os hiperparâmetros dos modelos foram otimizados por meio da biblioteca Optuna. Para avaliar o desempenho, dos modelos LightGBM e XGBoost, foram utilizadas as métricas R2, MAE e RMSE. Os resultados obtidos indicaram, para ambos os sistemas fotovoltaicos, uma forte correlação entre valores reais e previstos (R² > 0,96). Este desempenho evidencia a eficácia, dos modelos XGBoost e LightGBM, na previsão da geração de potência em sistemas fotovoltaicos.
Downloads
Referências
Abdellatif, A, Mubarak, H and Ahmad, S (2022) Forecasting Photovoltaic Power Generation with a Stacking Ensemble Model. Sustainability, v. 14. https://doi.org/10.3390/su141711083
Akhter, MN, Mekhilef, S and Mokhlis, H (2022) A hybrid deep learning method for an hour ahead power output forecasting of three different photovoltaic systems. Applied Energy, v. 307. https://doi.org/10.1016/j.apenergy.2021.118185
Antonanzas, J, Osorio, N, Escobar, R and Urraca, R (2016) Review of photovoltaic power forecasting. Solar Energy, v. 136. https://doi.org/10.1016/j.solener.2016.06.069
Bouziane, A, Bouziane, M and Naima, K (2024) Enhancing Photovoltaic Power Forecasting through Hybrid Deep Learning Models: A CNN-RNN Approach for Grid Stability and Renewable Energy Optimization. J. Ren. Energies, v. 28. https://doi.org/10.54966/jreen.v1i3.1294
Couto, A, Estanqueiro, A (2021) Assessment of wind and solar PV local complementarity for the hybridization of the wind power plants installed in Portugal. J. Clean. Prod. v. 319. https://doi.org/10.1016/j.jclepro.2021.128728
Guo, J (2023) Prediction of heating and cooling loads based on light gradient boosting machine algorithms. Building and Environment, v.236. .https://doi.org/10.1016/j.buildenv.2023.110252.
Kanwal, S, Mehran, MT, Hassan, M, Anwar, M, Naqvi, SR and Khoja, AH (2022) An integrated future approach for the energy security of Pakistan: Replacement of fossil fuels with syngas for better environment and socio-economic development. Renewable and Sustainable Energy Reviews, v. 156. https://doi.org/10.1016/j.rser.2021.111978
Kashefi, M, Karami, H, Niksefat, M and Ghazvinian, H (2026) Prediction of monthly precipitation and maximum 24 h precipitation using Random Forest, Decision Tree and XGBoost models. Earth Syst. Environ, v. 12. https://doi.org/10.1007/s40808-025-02714-3
Konstantinou, M, Peratikou, S, Charalambide AG (2021) Solar Photovoltaic Forecasting of Power Output Using LSTM Networks. Atmosphere, v. 12. https://doi.org/10.3390/atmos12010124
Mlilo, N, Brown, J and Ahfock, T (2021) Impact of intermittent renewable energy generation penetration on the power system networks–A review. Technol Econ Smart Grids Sustain Energy, v. 6. https://doi.org/10.1007/s40866-021-00123-w
Nakahata, B. Y. (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. Medianeira.
Özbay, H, Özer, I, Dalcali, A, Çetin, O and Temurta¸ F (2025) Sensorless position estimation in electromagnetic launchers using recurrent neural networks with repeated k-Fold Cross-Validation. Arabian Journal for Science and Engineering, v.50. https://doi.org/10.1007/s13369-024-09905-7
Oliveira, L and Santos, JAA (2022) As Redes Neurais Aplicadas à Previsão de Corrente Elétrica de um Sistema Fotovoltaico. Revista FSA, v. 19. http://dx.doi.org/10.12819/2022.19.5.8
Ramsami, P and Oree, V (2015) A hybrid method for forecasting the energy output of photovoltaic systems. Energy Conversion and Management, v. 135, https://doi.org/10.1016/j.enconman.2015.02.052
Santos, JAA and Chaukoski, Y (2020) Previsão do consumo de energia elétrica na região sudeste: um estudo de caso usando SARIMA e LSTM. Revista CEREUS, v. 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, v. 18, p. 6, 169-185. http://doi.org//10.12819/2021.18.6.9
Santos JAA and Polo ANB (2025) Comparação do desempenho dos algoritmos RF e KNN na previsão da energia gerada por quatro tecnologias fotovoltaicas. Latin American Journal of Energy Research, v. 12. https://doi.org/10.21712/lajer.2025.v12.n2.p77-85
Srinivas, P, and Katarya R (2022) hyOPTXg: OPTUNA hyper-parameter optimization framework for predicting cardiovascular disease using XGBoost. Biomedical Signal Processing and Control, v. 73. https://doi.org/10.1016/j.bspc.2021.103456
Solano, ES, Dehghanian P and Affonso CM (2022) Solar radiation forecasting using machine learning and ensemble feature selection. Energies, v.15. https://doi.org/10.3390/en15197049
Tang, M, Zhao, Q, Long, W and Huang, B (2020) An Improved LightGBM Algorithm for Online Fault Detection of Wind Turbine Gearboxes. Energies, v.13. https://doi.org/10.3390/en13040807
Ye, Z, Yang, B, Han, Y and Chen, N (2022) State-of-the-art solar energy forecasting approaches: critical potentials and challenges. Front. Energy Res., v. 10. https://doi.org/10.3389/fenrg.2022.875790
Zahoor, Z, Khan, I and Hou, F (2022) Clean energy investment and financial development as determinants of environment and sustainable economic growth: Evidence from China. Environ. Sci. Pollut, v. 29. https://doi.org/10.1007/s11356-021-16832-9
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 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.
