Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.197
Aluno: Matheus Casa Nova da Luz
Orientadora: Profa. Edna Natividade da Silva Barros
Coorientador: Profa. Olga de Castro Vilela (UFPE/Depto. de Energia Nuclear)
Título: Sunny Spots 3.0: Rede de Sistemas Embarcados para Sensoriamento e Predição de Produção de Energia Solar de Sistemas Fotovoltaicos Distribuídos
Data: 09/05/2025
Hora/Local: 9h:30m – Auditório do CIn – Bloco B
Banca Examinadora:
Prof. Adriano Augusto de Moraes Sarmento (UFPE / Centro de Informática)
Prof. Filipe Rolim Cordeiro (UFRPE / Departamento de Computação)
Prof. Olga de Castro Vilela (UFPE/Departamento de Energia Nuclear)
RESUMO:
Energia solar é uma das fontes de energia renováveis e abundantes do planeta. Seu uso ocorre desde o século XIX, sendo considerado uma excelente alternativa tanto em larga escala, nomeada comumente de centralizada, quanto de forma individualizada para domicílios, empresas e outros estabelecimentos, conhecida como distribuída. A maioria dos lugares do mundo possui um potencial gigantesco, variando entre 3,5 até 7 $kWh/m^2. Porém, embora seja abundante, limpa e disponível virtualmente em todo o planeta, a energia solar sofre de um grande problema: sazonalidade. A produção energética em sistemas fotovoltaicos depende principalmente da irradiância solar incidente no plano do módulo, composta por irradiância direta (proveniente do disco solar), irradiância difusa (resultado do espalhamento atmosférico) e albedo (radiação refletida pelo solo ou superfícies próximas), cuja soma determina a irradiância total no módulo.
Além disso, a temperatura das células influencia diretamente a eficiência do sistema, sendo estimada a partir de variáveis como temperatura ambiente e velocidade do vento. Características físicas do módulo, como corrente, tensão, sombreamento, sujidade e ângulo de inclinação, também impactam o desempenho energético, tornando a energia solar variável e consequentemente pouco confiável. Como resposta a essa problemática, esta pesquisa propõe uma rede de sistemas embarcados para prever a produção de energia em um período curto de 8 horas. A solução possui uma tríplice estrutura: um embarcado conectado ao painel fotovoltaico para sensorear índices físicos e enviar dados; uma central que recebe essas informações, coleta dados meteorológicos adicionais e ativa um modelo de aprendizagem de máquina baseado em Deep Learning, com arquitetura LSTM (Long Short-Term Memory).
Essa tríplice permite gerar informações a curto prazo para diversas decisões: utilizar energia solar, ligar geradores, economizar energia, entre outras. A grande contribuição deste estudo reside na capacidade de fazer tudo isso remotamente, sem intervenção da internet, num sistema barato e com modelo de IA diretamente embarcado na central, oferecendo um alicerce para novos modelos de previsão e sensoriamento de painéis solares.
Palavras-chave: Sistemas Embarcados, Internet das Coisas, Energia Solar, Previsão de Séries Temporais, Edge Computing
Comentários desativados