Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JUDSON RANGELL RODRIGUES DO MONTE
DATA: 27/06/2025
HORA: 18:00
LOCAL: sala do meet: http://meet.google.com/ewk-byog-gvo
TÍTULO: PREVISÃO DE EVENTOS DE RAMPAS FOTOVOLTAICAS UTILIZANDO REDES NEURAIS HÍBRIDAS
PALAVRAS-CHAVES: Aprendizado profundo, Rede convolucional, Energia solar. Irradiância, Séries temporais.
PÁGINAS: 85
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Sistemas Elétricos de Potência
ESPECIALIDADE: Geração da Energia Elétrica
RESUMO:

A penetração da energia solar na matriz elétrica brasileira suscita desafios operacionais impostos pela intermitência dos sistemas fotovoltaicos. Oscilações materializam-se em eventos de rampa, variações súbitas na irradiância que afetam diretamente a estabilidade e a confiabilidade da rede. Redes neurais híbridas CNN-LSTM, ao integrarem a extração de padrões espaciais e temporais, elevam a precisão da previsão dessas rampas e sustentam ações preventivas de despacho. Nesse sentido, este estudo objetivou desenvolver estratégias integradas para o entendimento e manejo de rampas fotovoltaicas, combinando técnicas de classificação com redes neurais, a fim de melhorar a previsão, análise e minimização de seus impactos no sistema elétrico.  Inicialmente, foi realizada uma análise bibliométrica nas bases Web of Science (1945-2023) e Scopus (1960-2023) empregando as expressões “photovoltaic ramp” OR “photovoltaic ramp rates”, com exportação dos registros em BibTeX. Os arquivos foram integrados no R/RStudio mediante o pacote Bibliometrix, convertidos em data frame unificado e depurados para remoção de duplicatas.
Indicadores de produção, citações e palavras-chave foram gerados via biblioshiny, delineando evolução temporal, autoria e fontes de publicação sobre rampas fotovoltaicas. Em seguida,  adotou-se um conjunto de dados horários de Teresina-PI, abrangendo radiação global e variáveis meteorológicas de setembro de 2022 a setembro de 2024. As séries foram pré-processadas com médias móveis de 360 h e classificadas em rampas positivas, rampas negativas e geração normal. Posteriormente, construiu-se e treinou-se uma rede híbrida CNN-LSTM com duas camadas LSTM e mecanismo de atenção, validada por particionamento 70-15-15 e otimizador Adam. Os testes mostraram acurácia global de 92,31%, precisão de 91,67% e revocação de 100% para rampas negativas, enquanto rampas positivas alcançaram precisão de 100% e revocação de 85,71%. O F1-score excedeu 89% em todas as classes, demonstrando estabilidade na discriminação entre condições normais e eventos críticos. A distribuição sazonal prevista reproduziu os picos observados entre setembro-outubro e julho-agosto, confirmando a aderência do modelo aos padrões climáticos regionais. Conclui-se que a arquitetura CNN-LSTM, associada a pré-processamento baseado em médias móveis e ponderação de classes, constitui ferramenta eficaz para previsão de rampas fotovoltaicas, contribuindo para a minimização de riscos operacionais e para o planejamento da operação de redes elétricas com alta penetração solar. Recomenda-se ampliar bases de dados e avaliação operacional em tempo real e aprendizado contínuo.

MEMBROS DA BANCA:
Presidente - 1789334 - ARYFRANCE ROCHA ALMEIDA
Interno - 1983254 - BARTOLOMEU FERREIRA DOS SANTOS JUNIOR
Interno - 289819 - OTACILIO DA MOTA ALMEIDA
Externo à Instituição - 765.***.***-72 - SILVANGELA LILIAN DA SILVA LIMA BARCELOS - UFMA

Cadastrada em: 25/06/2025