Aprendizado Profundo e Regressores de Séries Temporais para Predição Multi-Horizonte da Irradiância Solar no Método Híbrido de Predição

Resumo: A predição de irradiância solar em curto prazo é essencial para aumentar a confiabilidade operacional de sistemas fotovoltaicos diante da variabilidade atmosférica. Embora o Método Híbrido de Predição (MHP), baseado em imagens hemisféricas all-sky e Machine Learning (ML), tenha demonstrado bom desempenho, ainda não havia sido avaliado sistematicamente com arquiteturas modernas de aprendizado de máquina. Este trabalho apresenta o primeiro benchmark do MHP, comparando modelos de Deep Learning (DL), Time Series Regressors (TSR), a RNA original, um Ensemble e um modelo de Persistência para horizontes de 1, 15 e 30 min, sob protocolo cronológico interanual com validação estatística inferencial. Entre os modelos individuais, a GRU apresentou o melhor desempenho (RMSE = 92,30 W/m²), enquanto o Ensemble obteve o menor erro global (RMSE = 87,42 W/m²), reduzindo o RMSE em 5,3% em relação ao melhor modelo individual e em 16,9% frente à RNA original, além de apresentar a menor variabilidade entre horizontes. Os resultados demonstram que arquiteturas recorrentes superam a RNA originalmente empregada no MHP e que um Ensemble de baixo custo estabelece um novo limite superior de desempenho para predição multi-horizonte.