Previsão de potência fotovoltaica baseada em estratégia de decomposição secundária e modelo híbrido

Por que previsões solares mais inteligentes importam

À medida que mais residências, empresas e concessionárias se conectam à energia solar, a rede elétrica enfrenta um novo desafio: a luz do sol está longe de ser constante. Nuvens passageiras, estações do ano e mudanças no clima podem fazer a geração solar oscilar de minuto a minuto. Os operadores da rede ainda precisam manter as luzes acesas e os equipamentos protegidos, por isso precisam de previsões muito precisas e rápidas sobre quanta energia os painéis solares produzirão nos próximos minutos. Este estudo apresenta uma nova maneira de tornar essas previsões de curtíssimo prazo muito mais precisas, ajudando as redes a operar com mais suavidade e a aproveitar melhor a energia limpa.

A montanha‑russa da energia solar

Usinas solares convertem luz solar diretamente em eletricidade sem peças móveis, combustível ou chaminés. Isso as torna limpas e confiáveis por muitos anos — mas nem sempre previsíveis de um momento para outro. Sua geração depende fortemente do clima local: nuvens, névoa, temperatura, umidade e vento podem todos empurrar a potência para cima ou para baixo. Para os operadores da rede, que precisam equilibrar oferta e demanda constantemente, essa volatilidade torna o agendamento de usinas reserva, baterias e reservas mais complexo e caro. Métodos de previsão existentes se apoiam em modelos baseados na física do clima e dos painéis ou em fórmulas estatísticas e aprendizado de máquina. Embora essas abordagens funcionem razoavelmente bem em horizontes de horas ou dias, frequentemente têm dificuldade em capturar as oscilações rápidas e abruptas que importam para o controle minuto a minuto.

Separando um sinal bagunçado em partes mais limpas

Os autores enfrentam esse problema remodelando primeiro os dados brutos de potência solar antes de qualquer aprendizado. Em vez de alimentar uma única curva de potência ruidosa em um grande modelo, eles dividem o sinal em vários blocos mais simples, cada um capturando diferentes tipos de comportamento. Uma técnica avançada chamada CEEMDAN separa a série original em múltiplos componentes com ritmos distintos. Essas peças são então agrupadas em duas famílias: flutuações rápidas e tremulantes e tendências mais lentas e suaves. As partes mais agitadas passam por uma segunda rodada de refinamento usando outro método (VMD), cujas configurações internas não são mais escolhidas por tentativa e erro, mas ajustadas automaticamente por um esquema de otimização inspirado no comportamento de caça de uma espécie de ave. Esse processo de decomposição em duas etapas transforma uma curva emaranhada e difícil de prever em sub-sinais mais limpos, cada um mais fácil de tratar.

Dois caminhos de aprendizado especializados

Uma vez que o sinal de potência solar foi separado em componentes rápidos e lentos, o modelo atribui a cada grupo uma ferramenta de aprendizado diferente que se ajusta ao seu caráter. As peças de alta frequência, que mudam rapidamente e podem derivar ao longo do tempo, são entregues a um algoritmo leve que pode ser atualizado on‑line conforme novos dados chegam. Esse desenho ajuda a adaptação rápida a mudanças súbitas, como uma frente de nuvens passando por uma usina solar. As peças de baixa frequência, que descrevem a ascensão e queda mais ampla da potência ao longo do dia, são alimentadas em um sistema híbrido que combina uma rede reconhecedora de padrões com um reservatório rico em memória. Uma parte foca em identificar formas em janelas curtas de dados, enquanto a outra acompanha como essas formas evoluem ao longo do tempo. Finalmente, as previsões de ambos os ramos são somadas para formar uma única previsão para o próximo instante.

Testes sob céus diferentes

Para verificar se essa estratégia funciona no mundo real, os pesquisadores a aplicaram a dados de duas usinas solares muito diferentes: uma em Ningxia, China, e outra no deserto australiano. Esses locais experimentam climas e estações distintos, oferecendo um teste rigoroso de flexibilidade. As previsões do novo modelo foram comparadas com uma ampla gama de concorrentes modernos, incluindo abordagens populares de aprendizado profundo como redes recorrentes, convoluções temporais e projetos recentes baseados em Transformer. Em todas as medidas de acurácia, e especialmente na captura de rampas e quedas abruptas, a estrutura híbrida de decomposição mais aprendizado se destacou. Em um teste chave, ela explicou cerca de 99,7% da variação na geração solar, ao mesmo tempo em que reduziu erros típicos muito abaixo dos dos modelos de referência mais fortes.

O que isso significa para a rede

Em termos práticos, o estudo mostra que tratar a potência solar como uma mistura de ruído rápido e tendências mais lentas — e dar a cada parte um mecanismo de previsão sob medida — pode produzir previsões em escala de minutos muito mais confiáveis do que modelos únicos. Para os operadores da rede, previsões melhores significam menos surpresas, menos energia reserva desperdiçada e mais confiança em depender da energia solar como um recurso importante. Com o tempo, esse tipo de previsão mais inteligente pode reduzir custos operacionais, diminuir o corte de energia limpa e ajudar as redes a absorver níveis ainda maiores de renováveis sem sacrificar a estabilidade.

Citação: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Palavras-chave: previsão de energia solar, energia fotovoltaica, rede inteligente, integração de energias renováveis, modelagem de séries temporais