Um método probabilístico de previsão de energia solar PV com uma hora de antecedência baseado em inferência conformal adaptativa não paramétrica

Por que previsões solares melhores importam

Conforme mais residências, empresas e concessionárias adotam painéis solares para obter eletricidade limpa, as redes precisam gerenciar um recurso que muda a cada nuvem que passa. Operadores de sistema precisam saber não apenas quanta energia solar provavelmente estará disponível daqui a uma hora, mas também o grau de incerteza dessa previsão. Este artigo apresenta uma nova maneira de colocar “barras de erro” em torno de previsões de curto prazo de energia solar, para que planejadores mantenham as luzes acesas enquanto confiam mais na energia do sol.

De palpites únicos a previsões com consciência de risco

Previsões solares tradicionais frequentemente reduzem o futuro a um único número, como “2,5 quilowatts na próxima hora.” Na prática, a produção solar oscila conforme o tempo e a hora do dia, e decisões da rede — como quanto de energia reserva programar — dependem do quão confiantes estamos nesses números. Abordagens modernas usam, portanto, previsão probabilística: em vez de um valor, fornecem um intervalo de resultados prováveis junto com a indicação de com que frequência o valor real deve cair dentro desse intervalo. Este estudo foca em previsões com uma hora de antecedência para painéis em telhados de uma universidade em Wrocław, Polônia, usando cinco anos de dados históricos. O objetivo é produzir intervalos de predição que sejam ao mesmo tempo confiáveis (contêm o valor real na maior parte do tempo) e precisos (os intervalos são tão estreitos quanto possível, evitando faixas excessivamente amplas e inúteis).

Uma forma mais inteligente de ajustar a incerteza

A técnica central explorada aqui é a Inferência Conformal Adaptativa, ou ACI. Em termos simples, a ACI envolve-se com qualquer modelo de previsão — aqui, uma rede profunda chamada LSTM empilhada — e observa erros recentes de previsão para decidir quão largo deve ser o próximo intervalo de predição. Se previsões recentes falharam, a ACI alarga automaticamente o intervalo; se foram precisas, ela estreita a faixa. A ACI padrão, no entanto, assume que os dados mudam suavemente ao longo do tempo. A energia solar não segue essa premissa: toda noite a produção cai para zero, e os primeiros raios da manhã pouco se parecem com o que ocorreu na noite anterior. Esse padrão diurno de ligar/desligar pode fazer o parâmetro de ajuste da ACI derivar, inflando os intervalos ao longo do tempo.

Reiniciar a cada dia para um começo renovado

Para corrigir essa discrepância, os autores introduzem um detalhe simples, porém poderoso: eles reiniciam o parâmetro interno de “miscoverage” da ACI no começo de cada dia. Conceitualmente, isso instrui o algoritmo a esquecer as longas horas noturnas de pouca informação e a recalibrar com base apenas no comportamento diurno. A LSTM base continua aprendendo padrões a partir de anos de dados, incluindo mudanças sazonais e formas diárias típicas, mas a camada ACI deixa de permitir que zeros noturnos distorçam sua percepção de incerteza. Esse reinício diário impede que os intervalos se tornem desnecessariamente grandes após sequências de períodos com pouca informação e permite que o método se ajuste rapidamente às condições de luz de cada dia, seja claro, nublado ou altamente variável.

Como o novo método se compara

O estudo compara quatro formas de expressar incerteza em torno de previsões solares: a ACI modificada, um modelo profundo treinado para predizer diretamente vários quantis (Regressão de Quantis Profunda), uma versão bayesiana do LSTM que estima incerteza internamente, e um poderoso algoritmo baseado em árvores chamado CatBoost ajustado para predição de quantis. Os testes são realizados em um ano de dados não vistos. A ACI modificada alcança a maior confiabilidade, com seus intervalos contendo a potência real cerca de 91% do tempo, próximo ao alvo pretendido, mantendo também uma largura de intervalo modesta. O LSTM bayesiano vem a seguir em confiabilidade, mas produz faixas um pouco mais largas. O CatBoost entrega os intervalos mais estreitos, porém perde os valores reais com mais frequência, subestimando a incerteza. A Regressão de Quantis Profunda tem o pior desempenho no geral, combinando menor cobertura com intervalos mais largos e pontuações de penalidade mais altas. Importante: a ACI melhorada consegue esse desempenho robusto com apenas um pequeno custo computacional adicional em cima do modelo LSTM base.

O que isso significa para as redes solares do futuro

Na prática, o trabalho mostra que tratar melhor o ritmo dia‑noite pode melhorar de maneira perceptível a qualidade das estimativas de risco da energia solar. Ao reiniciar sua calibração a cada manhã, a abordagem ACI modificada fornece bandas de confiança que são ao mesmo tempo confiáveis e razoavelmente estreitas, facilitando que operadores de rede e gestores de energia planejem reservas, comercializem energia e integrem mais solar sem reagir em excesso à incerteza. Como a ACI é independente do modelo e não depende de previsões meteorológicas detalhadas, os autores argumentam que esse esquema de reinício diário pode ser aplicado amplamente a outras instalações solares e ferramentas de previsão, oferecendo uma forma robusta e orientada por dados de tornar o sol um parceiro mais previsível nos sistemas energéticos do amanhã.

Citação: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Palavras-chave: previsão de energia solar, previsão probabilística, quantificação de incerteza, inferência conformal, redes de energia renovável