Previsão de Irradiação Normal Direta (DNI) baseada em aprendizado de máquina usando dados de satélite para usinas de Energia Solar Concentrada (CSP) com Armazenamento Térmico de Energia (TES)

Por que prever as horas de luz solar importa

À medida que mais países recorrem ao sol para abastecer residências e indústrias, surge uma grande questão: como manter a energia estável quando o céu muda a cada minuto? Usinas de energia solar concentrada, que usam espelhos para focar a luz solar e armazenar calor, podem fornecer eletricidade mesmo após o anoitecer. Mas, para operá-las de forma eficiente e econômica, os gestores precisam saber com antecedência quão intensa será a radiação solar. Este estudo mostra como dados meteorológicos de satélite gratuitos e aprendizado de máquina moderno podem entregar previsões de insolação práticas e acessíveis, adaptadas a essas usinas de próxima geração.

Transformando imagens espaciais em previsões úteis de insolação

Os pesquisadores se concentram em uma grandeza-chave chamada irradiação normal direta, ou DNI — a parcela da luz solar que viaja em linha reta e pode ser concentrada por espelhos. Ao contrário dos painéis solares comuns, essas usinas dependem quase inteiramente da DNI, que é altamente sensível a nuvens, umidade e partículas na atmosfera. Em vez de instalar câmeras e instrumentos de solo caros em cada local, a equipe usa dados do satélite geoestacionário Himawari-8, que observa grande parte da Ásia a cada dez minutos. A partir desse fluxo de imagens e produtos derivados, coletam 17 variáveis, incluindo diferentes medidas de radiação, tipo de nuvem, vapor d’água, temperatura e ângulo solar, e as alimentam em modelos de aprendizado de máquina treinados para prever a DNI de 30 minutos a 6 horas à frente.

Algoritmos inteligentes que aprendem com o céu

Para encontrar a melhor ferramenta de previsão, os autores testam 24 abordagens diferentes de aprendizado de máquina e comparam sua precisão, velocidade e custo computacional. Descobrem que uma técnica chamada Ensemble Bagging Regression se destaca para previsões de curtíssimo prazo, especialmente no horizonte de 30 minutos, em que capta detalhes finos de mudanças recentes. Para prazos de previsão mais longos, um modelo de regressão por processo gaussiano exponencial sobressai. Esse modelo não apenas prevê a DNI futura, mas também fornece uma medida incorporada de incerteza, valiosa para o planejamento. Ao longo de horizontes de previsão de até seis horas, o melhor modelo mantém desempenho sólido, com erros pequenos o suficiente para serem absorvidos pela capacidade de amortecimento natural dos sistemas de armazenamento térmico em usinas solares concentradas.

Lendo os sinais ocultos do tempo

Além da precisão, a equipe quer entender o que impulsiona as previsões do modelo. Eles usam uma técnica de IA explicável conhecida como SHAP, que atribui a cada variável de entrada uma contribuição para a previsão, semelhante a dividir a conta de forma justa entre convidados do jantar. Essa análise revela que o ângulo do sol no céu e propriedades relacionadas às nuvens são os fatores mais influentes em muitos horizontes temporais. Versões de céu claro das medidas de radiação — o que seria a radiação sem nuvens — também desempenham papel importante, juntamente com a temperatura e valores passados simples da DNI em defasagens curtas. Ar úmido, ozônio e umidade relativa tendem a reduzir a insolação esperada, especialmente em meses úmidos de verão, enquanto condições claras e secas no final do inverno e início da primavera a aumentam. Esses insights tranquilizam os operadores de que o modelo está respondendo a sinais fisicamente plausíveis em vez de peculiaridades ocultas nos dados.

De planícies planas a vales montanhosos

Um teste chave é saber se um modelo treinado em um lugar pode ser confiável em outros. Os autores treinam seu sistema em um sítio em Bhagalpur, Índia, e então o aplicam a cinco locais adicionais na Ásia do Sul, variando de planícies de baixa altitude às encostas do Himalaia. Em terrenos mais planos, como Jhansi e Kharagpur, as previsões permanecem altamente confiáveis, com níveis de erro estáveis e pouca superestimação ou subestimação sistemática. Em contraste, estações em paisagens mais acidentadas ou complexas, como Makalu nos Himalaias, mostram maiores oscilações na precisão e viés em certos atrasos temporais. Esses padrões sugerem que topografia local e comportamentos meteorológicos únicos — como formação rápida de nuvens ao redor de montanhas — podem desafiar um modelo puramente baseado em satélite e talvez exijam ajustes adicionais.

O que isso significa para a energia solar do futuro

Para operadores de usinas de energia solar concentrada com armazenamento térmico, o estudo traz uma mensagem prática: eles talvez não precisem do hardware de previsão mais caro e ultra-preciso para operar suas usinas de forma eficaz. Graças ao amortecimento natural proporcionado pelo armazenamento térmico, um modelo bem projetado baseado em satélite com erros moderados ainda pode apoiar o planejamento confiável da produção de energia nas próximas horas. Ao confiar em dados de satélite gratuitos e de ampla cobertura e em aprendizado de máquina interpretável, essa abordagem oferece uma forma escalável de reduzir custos e diminuir o preço da eletricidade solar em regiões ensolaradas, especialmente no Sul da Ásia. Com refinamentos adicionais que considerem montanhas, aerossóis e padrões meteorológicos locais, tais sistemas de previsão podem se tornar uma tecnologia fundamental para uma rede mais confiável e alimentada por energia solar.

Citação: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Palavras-chave: previsão solar, energia solar concentrada, dados de satélite, aprendizado de máquina, armazenamento térmico de energia