Um modelo de previsão fotovoltaica de curto prazo em vários passos baseado em um algoritmo de migração de baleias aprimorado

Por que prever a geração solar é importante

À medida que mais residências, empresas e cidades recorrem à energia solar, saber quanta energia os painéis solares vão produzir nos próximos minutos ou horas torna-se crítico. Se a previsão estiver errada, os operadores da rede precisam correr para manter a luz acesa, desperdiçando dinheiro e, às vezes, combustíveis fósseis. Este artigo apresenta uma forma mais inteligente de fazer previsões de curto prazo da produção solar que é tanto mais precisa quanto mais estável do que muitos métodos existentes.

As oscilações da energia solar

Os painéis solares ficam à mercê do tempo. Nuvens em passagem, neblina, variações sazonais e tempestades súbitas fazem a energia gerada oscilar de maneiras complexas. Ferramentas tradicionais de previsão dependem em grande parte de modelos físicos simplificados dos painéis ou apenas de dados históricos. Modelos físicos podem deixar de capturar peculiaridades do mundo real, enquanto ferramentas puramente estatísticas têm dificuldade quando os dados estão ruidosos ou altamente irregulares. Como resultado, frequentemente apresentam desempenho ruim durante mudanças rápidas na irradiância — exatamente quando os operadores mais precisam de previsões confiáveis.

Separando um sinal confuso em partes mais limpas

Para domar esse caos, os autores primeiro limpam os dados brutos de geração solar antes de tentar prevê‑los. Eles usam uma técnica chamada decomposição variacional de modos, que divide a curva de potência original e irregular em vários componentes mais suaves, cada um capturando padrões em diferentes escalas de tempo. Essa separação reduz o ruído aleatório e facilita a visualização de regularidades ocultas. Em vez de forçar um modelo a aprender a partir de uma curva única e emaranhada, o método alimenta o sistema com um conjunto de blocos de construção mais limpos e estáveis.

Permanecer no aprendizado de padrões e ajustar-se automaticamente

Uma vez decomposto o sinal, o estudo recorre a um sistema de aprendizado em duas partes. A primeira é uma rede neural convolucional unidimensional, que se destaca ao detectar padrões locais e tendências em séries temporais. A segunda é um motor de aprendizado leve chamado kernel extreme learning machine, que converte rapidamente esses padrões extraídos em previsões numéricas. Juntos, esse modelo híbrido combina forte reconhecimento de padrões com predição rápida e eficiente. Entretanto, seu desempenho depende fortemente de alguns parâmetros internos essenciais, conhecidos como hiperparâmetros, que normalmente são difíceis de ajustar manualmente.

Inspirando‑se em migrações de baleias para otimizar o modelo

Para escolher automaticamente esses ajustes cruciais, os autores introduzem um “algoritmo de migração de baleias aprimorado”. Inspirado em como as jubartes se movem em grupos e exploram o oceano, esse algoritmo trata cada conjunto candidato de hiperparâmetros como uma baleia em busca de melhores áreas de alimentação. Ele usa uma combinação de exploração ampla e busca local refinada, auxiliada por aleatoriedade controlada e movimentos em salto, para evitar ficar preso em soluções ruins. Ao longo de muitas iterações, as “baleias” migram em direção a combinações de hiperparâmetros que minimizam os erros de previsão, efetivamente ensinando o modelo de previsão a se ajustar sozinho.

Testando o método

A equipe avalia sua abordagem completa — combinando decomposição do sinal, o modelo de aprendizado híbrido e o otimizador inspirado em baleias — com dados reais de duas usinas solares na China, uma de 50 MW e outra de 35 MW, cobrindo períodos de inverno e verão. Eles comparam com nove alternativas, incluindo redes neurais padrão, máquinas de vetor de suporte, preditores de passo único e híbridos mais simples. O novo modelo não apenas acompanha as curvas diárias gerais, como também segue picos e vales acentuados muito mais de perto. Em várias métricas de erro, ele apresenta consistentemente equívocos menores e um ajuste mais preciso aos valores reais, com valores de coeficiente de ajuste em torno de 97% e 92% para os dois locais.

O que isso significa para o uso cotidiano de energia

Para não especialistas, a principal conclusão é que os autores oferecem um “boletim meteorológico” mais confiável para a própria energia solar. Ao limpar os dados, usar uma configuração de aprendizado enxuta mas poderosa e permitir que uma rotina de busca inspirada na natureza ajuste finamente o sistema, eles melhoram substancialmente a previsão de curto prazo de quanta eletricidade os painéis solares vão fornecer. Previsões melhores tornam mais fácil equilibrar fontes renováveis e convencionais, reduzir custos operacionais e apoiar uma rede elétrica mais limpa e resiliente. A mesma estratégia também pode ser adaptada a outros problemas complexos de previsão, desde energia eólica até cargas industriais e até análise de sinais médicos.

Citação: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Palavras-chave: previsão de energia solar, energia fotovoltaica, aprendizado de máquina, algoritmos de otimização, rede de energia renovável