VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

APLICAÇÃO DE MACHINE LEARNING PARA A PREVISÃO DE

TEMPERATURA DE MÓDULOS SOLARES FOTOVOLTAICOS

Rafael Antunes Campos – rafaelcampos.ufsc@gmail.com

Giuliano Luchetta Martins – giuliano.lm@hotmail.com
Ricardo Rüther – rruther@gmail.com
Universidade Federal de Santa Catarina

Resumo. O presente trabalho visa utilizar métodos de inteligência artificial e machine learning para estimar os valores
de temperatura de módulos solares fotovoltaicos (FV) a partir de variáveis exógenas como irradiância, temperatura
ambiente e velocidade do vento. Os dados utilizados neste trabalho são resultados de um projeto de P&D ANEEL entre
o Grupo Fotovoltaica-UFSC e a empresa Statkraft, que consiste em um conjunto de sistemas fotovoltaicos instalados em
Brotas de Macaúbas – BA. Foram utilizados os métodos k-Nearest Neighbors (kNN) e redes neurais artificais do tipo
perceptron multicamadas (ANN-MLP) para calcular os valores de temperatura de módulos de m-Si e CdTe a partir das
variáveis de entrada: (i) Irradiância global horizontal (GHI), (ii) Irradiância no plano dos módulos (GTI), (iii)
temperatura ambiente e (iv) velocidade do vento. Dentre os métodos propostos, o kNN obteve melhor desempenho (RMSE
de 2,18 °C), principalmente devido à menor dispersão de suas previsões, apesar do método ANN (RMSE de 2,69 °C) ter
se mostrado mais preciso para valores intermediários de temperatura (entre 40 °C e 50 °C). Mostrou-se que todos os
métodos tendem a ter uma incerteza maior para valores altos de temperatura, principalmente o método de Ross e que as
diferentes tecnologias fotovoltaicas não apresentam influência no desempenho dos métodos utilizados.

Palavras-chave: Temperatura do módulo, Machine learning, Energia fotovoltaica

1. INTRODUÇÃO

O efeito da temperatura nos módulos fotovoltaicos é um dos principais fatores de perdas do sistema fotovoltaico
(Campos, Nascimento, Braga, Simoes, & Rüther, 2018; do Nascimento, de Souza Viana, Campos, & Rüther, 2019;
Skoplaki & Palyvos, 2009b, 2009a) e, por isso, uma estimativa precisa da temperatura do módulo é necessária para uma
boa previsão de geração do sistema (Copper, Sproul, & Jarnason, 2016; Ibrahim & Anani, 2017).
Skoplaki e Palyvos (2009b) apresentam uma revisão dos métodos analíticos baseados principalmente em relações
lineares entre a temperatura da célula fotovoltaica e demais grandezas como temperatura ambiente, velocidade do vento
e irradiância. Mesmo sendo um tema já bastante estudado, novas tecnologias de análises permitem diferentes abordagens
para a previsão dos valores de temperatura do módulo ou da célula fotovoltaica (Olukan & Emziane, 2014; Zhou, Zhang,
& Ke, 2019). Neste contexto, o presente trabalho visa utilizar métodos de inteligência artificial e machine learning para
estimar os valores de temperatura do módulo a partir de variáveis exógenas como irradiância, temperatura ambiente e
velocidade do vento.

2. OBJETO DE ESTUDO

Os dados utilizados neste trabalho são resultados de um projeto de P&D ANEEL entre o Grupo Fotovoltaica-
UFSC e a empresa Statkraft, que consiste em um conjunto de sistemas fotovoltaicos instalados em Brotas de Macaúbas
– BA e que já foram amplamente estudados em outros trabalhos (Nascimento, Campos, Rüther, & Simões, 2018, 2016).
A Fig. 1 exibe os sistemas do projeto.
Os sistemas contam com uma estação solarimétrica para medição das variáveis ambientais. Neste trabalho foram
utilizadas medidas de irradiância horizontal e inclinada com inclinação igual à latitude (12º) ambas medidas por
piranômetros CMP11 (Kipp & Zonen); de temperatura dos módulos fotovoltaicos medidas por sensores PT1000
(Meteocontrol) colados nas traseiras dos módulos; de temperatura ambiente medida pelo sensor de temperatura HC2S3
(Campbell Scientific) e velocidade do vento medida pelo sensor 034B (Campbell Scientific).
Os dados provenientes da estação descrita são amostrados a cada um segundo e armazenados em médias minutais.
Entretanto, a presente análise foi realizada utilizando médias horárias para amenizar os efeitos inerciais do fluxo de calor.
Foram utilizados dados de fevereiro a dezembro de 2018. Os dados medidos de temperatura das costas dos módulos foram
utilizados para validar o método.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Figura 1 - Vista aérea dos sistemas solares fotovoltaicos instalados em Brotas de Macaúbas - BA.

Figura 2 - Estação solarimétrica.

Na Tabela 1 estão dispostas informações estatísticas em relação aos dados utilizados. Fatores importantes como a
média e o desvio padrão permitem a caracterização desses dados, como por exemplo: um clima com altas variações de
irradiância, podendo assim, ilustrar de forma mais completa a situação climática local. Mais além, a Tab. 2 dispõe dos
coeficientes de correlação entre os objetos de interesse e os dados de entrada para os modelos estudados nesse trabalho,
sendo esses coeficientes fatores bastante importantes em modelos computacionais, de forma a ponderar o peso de cada
variável a fim de realizar a previsão do objeto de interesse, nesse caso a temperatura do módulo.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Tabela 1 – Informações estatísticas dos dados.

Temp Velocidade
Temp medida GTI GHI Temp_Ar
medida do Vento
m-Si (°C) (W/m²) (W/m²) (°C)
CdTe (°C) (m/s)
Média 34,2 35,4 527,0 508,8 23,6 3,0
Desvio Padrão 12,8 12,3 320,0 311,0 3,8 1,1
Mínimo 6,9 8,5 50,1 50,2 12,6 0
25% 23,3 25,0 231,1 217,8 20,8 2,1
50% 33,9 35,1 532,9 500,9 23,9 3,0
75% 43,9 44,8 811,3 775,7 26,3 3,8
Máximo 71,3 70,2 1236,3 1234,1 33,2 6,5

Tabela 2 – Coeficiente de correlação entre temperaturas de interesse e variáveis de entrada.

Velocidade do
GTI GHI Temp_Ar
Vento
(W/m²) (W/m²) (°C)
(m/s)
Temp m-Si (°C) 0,894 0,901 0,680 -0,090
Temp CdTe (°C) 0,892 0,896 0,696 -0,089

3. METODOLOGIA

Foram utilizados os métodos k-Nearest Neighbors (kNN) e redes neurais artificais do tipo perceptron
multicamadas (ANN-MLP) para calcular os valores de temperatura de módulos de m-Si e CdTe a partir das variáveis
de entrada: (i) Irradiância global horizontal (GHI), (ii) Irradiância no plano dos módulos (GTI), (iii) temperatura
ambiente e (iv) velocidade do vento. Ambos os métodos foram implementados em Python utilizando a biblioteca
de machine learning scikit-learn (Pedregosa et al., 2011).
Estes métodos estão descritos a seguir e foram treinados com aproximadamente 20% dos dados medidos e foram
então testados com os 80% restantes.

3.1 k-Neares Neighbors (kNN)

O método kNN é baseado no conceito de que o valor de uma variável é uma combinação linear entre os valores
desta mesma variável mais próximos ao valor a ser calculado; sendo que esta distância é determinada pela diferença
dos valores atuais e passados das variáveis de entrada, ou seja, o valor previsto é uma combinação linear dos k pontos
com as irradiâncias, temperatura ambiente e velocidade do vento mais próximas do momento a ser previsto (Madeti
& Singh, 2018; Pedro & Coimbra, 2012, 2015; Urraca, Antonanzas, Alia-Martinez, Martinez-De-Pison, &
Antonanzas-Torres, 2016).
Dessa forma, os parâmetros a serem definidos no método a ser aplicado são as variáveis a serem utilizadas como
entrada, o número de vizinhos considerados (k) e o peso de cada vizinho. O valor de k foi obtido através de um
processo iterativo e, no presente estudo, foi definido como k = 32. O peso de cada vizinho é o inverso de sua
distância, portanto, quanto maior a distância do ponto a ser previsto, menor o peso na combinação linear.

3.2 Rede Neural Artificial (ANN)

A rede neural do tipo MLP é composta por múltiplas camadas de perceptrons nas quais cada perceptron é
responsável por uma combinação linear de suas entradas e este resultado é então passado por uma função de ativação.
No modelo utilizado neste estudo, os parâmetros a serem escolhidos para a configuração da rede são a quantidade
de camadas, o número de perceptrons em cada camada e a função de ativação dos perceptrons.
A quantidade de camadas e o número de perceptrons em cada camada também podem ser obtidos através de um
processo iterativo, que resultou em três camadas com três, dois e um perceptron em cada camada, respectivamente.
A função de transferência pode ser escolhida através de um processo de avaliação do tipo de processo que se espera
da rede neural: classificatório ou regressivo. No presente caso, espera-se que a rede desempenho um papel regressivo
nas entradas, então avalia-se as funções regressivas disponíveis. Dentre estas, foi escolhida a função identidade, isto
é, f(x) = x.
A principal vantagem deste método é que, devido às suas múltiplas camadas, ele pode modelar processos e
relações não lineares.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

3.3 Método de Ross

A literatura disponibiliza diversos métodos para estimação dos valores de temperatura da célula ou do módulo
fotovoltaico a partir de diversas variáveis de entrada (Jakhrani, Othman, Rigitand, & Samo, 2011; Segado, Carretero, &
Sidrach-de-cardona, 2015). Um dos métodos tradicionais é o método de Ross (Ross, 1976), que consiste na Eq. (1).

Tm = Tamb + kG (1)

Onde k é uma constante que depende das características locais e G é a irradiância incidente no módulo.
O método de Ross foi utilizado neste trabalho como referência para comparação das métricas de desempenhos dos
métodos. O valor de k utilizado foi 0,024 para o módulo de m-Si e 0,025 para o módulo de CdTe, proposto em (Segado
et al., 2015).

3.4 Métricas de desempenho

Para avaliar o desempenho dos métodos foram utilizadas as métricas de erro apresentadas nas equações Eq (2) à Eq
(5).
O Mean Absolute Error (MAE), apresentado na Eq. (2), representa o erro absoluto médio dos modelos.

𝑛
1
𝑀𝐴𝐸 = ∑ |𝑇𝑚𝑜𝑑𝑒𝑙𝑜 − 𝑇𝑚𝑒𝑑𝑖𝑑𝑜 | (2)
𝑛
𝑖=1

O Mean Absolute Percentage Error (MAPE), apresentado na Eq. (3), representa a média percentual do erro do
modelo.

𝑛
1 |𝑇𝑚𝑜𝑑𝑒𝑙𝑜 − 𝑇𝑚𝑒𝑑𝑖𝑑𝑜 |
𝑀𝐴𝑃𝐸 = ∑ (3)
𝑛 𝑇𝑚𝑒𝑑𝑖𝑑𝑜
𝑖=1

O Root Mean Square Error (RMSE), apresentado na Eq. (4), representa também uma média do erro absoluto,
porém, devido ao fator quadrático no erro, erros maiores tem um peso maior nesta métrica.

𝑛
1
𝑅𝑀𝑆𝐸 = √ ∑(𝑇𝑚𝑜𝑑𝑒𝑙𝑜 − 𝑇𝑚𝑒𝑑𝑖𝑑𝑜 )2 (4)
𝑛
𝑖=1

O normalized Root Mean Square Error (nRMSE), apresentado na Eq. (5), representa o valor percentual do
RMSE, que é normalizado pela temperatura medida média.

𝑅𝑀𝑆𝐸
𝑛𝑅𝑀𝑆𝐸 = (5)
𝑇𝑚𝑒𝑑𝑖𝑑𝑜

A métrica R² também será utilizada para avaliação do desempenho dos métodos.

4. Resultados e discussões

A metodologia descrita foi aplicada a dois módulos de duas tecnologias diferentes: um módulo de silício
multicristalino (m-Si), com backsheet polimérico, e um módulo de filmes finos de CdTe vidro-vidro sem moldura.
A Fig. 3 apresenta as correlações entre os valores obtidos pelos modelos e os valores medidos para os dois módulos
analisados.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Figura 3 - Correlações entre os valores obtidos pelas modelagens e os valores medidos de temperatura dos módulos. A
linha de tendência vermelha é a linha de tendência do modelo e a linha de tendência preta pontilhada é a linha y = x.

Como pode ser observado na Fig. 3, os métodos kNN e ANN apresentam uma melhor correlação quando comparados ao
método de Ross, que subestimou valores baixos de temperatura e superestimou valores mais altos. O kNN apresenta uma
menor dispersão quando comparado aos dois métodos, embora a linha de tendência do ANN-MLP esteja bastante próxima
da linha y = x.
A Tab. 3 apresenta os valores dos erros utilizados para avaliação de desempenho dos métodos. Como pode ser
observado, o kNN e o ANN obtiveram precisões bastantes superiores à precisão do método de Ross. Destes, o kNN se
mostrou ligeiramente superior ao ANN em todas as métricas.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Tabela 3 - Erros obtidos para cada método.

R² MAE (°C) MAPE (%) MSE (°C)² RMSE (°C) nRMSE (%)
m-Si ROSS 0,85 4,31 15,72 24,62 4,96 14,57
ANN 0,96 2,08 7,04 7,24 2,69 7,90
kNN 0,97 1,60 5,29 4,76 2,18 6,40
CdTe ROSS 0,88 3,54 11,61 17,16 4,14 11,74
ANN 0,96 2,02 6,41 6,66 2,58 7,32
kNN 0,97 1,57 4,89 4,27 2,07 5,86

Comparando estes resultados com os da literatura, os melhores modelos aplicados por Segado et al. (2015)
obtiveram um MAE de cerca de 1,2 °C e um R² de 97,7%, ligeiramente superior aos dos métodos aqui propostos. Olukan
e Emziane (2014) obtiveram um nRMSE de aproximadamente 20%. Faiman (2012) obteve um RMSE entre 1,8 e 2,1 °C.
A Fig. 4 apresenta os valores de RMSE e MAE para diferentes faixas de temperatura. Nota-se que o método de
Ross tem um erro maior para altas temperaturas, enquanto o erro do kNN e do ANN crescem com uma magnitude menor,
sendo que o erro do kNN apresenta uma queda para temperaturas cima de 70 °C em relação ao intervalo entre 60 °C e 70
°C.

Figura 4 – MAE e RMSE para diferentes faixas de temperaturas.

A Fig. 5 apresenta uma análise semelhante à apresentada na Fig. 4, mas direcionada aos valores de irradiância. Observa-
se um perfil diferente da distribuição observada nas faixas de temperatura. Não fica evidente nenhuma tendência para
erros maiores em irradiâncias maiores; nota-se que os valores de erro variam de maneira aleatória para as diferentes faixas
de irradiância. Entre 1100 W/m² e 1200 W/m² nota-se uma inversão entre o kNN e o ANN. Esta inversão está associada
ao pequeno espaço amostral deste intervalo de irradiância, de apenas dois pontos.
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Figura 5 - MAE e RMSE para diferentes faixas de irradiância.

5. Conclusões e comentários finais

O presente estudo mostrou que é possível aplicar métodos de machine learning que para prever valores de
temperaturas dos módulos fotovoltaicos com uma precisão aceitável entre 5% e 8%. Dentre os métodos propostos, o kNN
obteve melhor desempenho, principalmente devido à menor dispersão de suas previsões, apesar do método ANN ter se
mostrado mais preciso para valores intermediários de temperatura (entre 40 °C e 50 °C). Mostrou-se que todos os métodos
tendem a ter uma incerteza maior para valores altos de temperatura, principalmente o método de Ross. Foi observado
também que as diferentes características construtivas das tecnologias fotovoltaicas não tiveram influência no desempenho
dos métodos empregados.
Os métodos kNN e ANN foram treinados com 20% dos dados, o que equivale a cerca de dois meses. Portanto, é
razoável propor que estes métodos sejam utilizados para forecast de temperatura e, principalmente, gap filling de dados.
Estudos futuros podem avaliar se a redução da amostra de treinamento impacta de maneira relevante a precisão dos
métodos e se é possível treinar um modelo com dados de um sistema e aplicá-lo para prever dados de outros sistemas.

Agradecimentos

Os autores agradecem à Statkraft Energias Renováveis e à ANEEL pelos recursos utilizados no projeto de P&D
ANEEL que deu origem aos dados utilizados neste estudo.

REFERÊNCIAS

Campos, R. A., Nascimento, L. R. do, Braga, M., Simoes, G., & Ruther, R. (2018). Performance Assessment of PV
Technologies and Complementarity of Utility-Scale PV and Wind Power Plants in Brazil. 2018 IEEE 7th World
Conference on Photovoltaic Energy Conversion (WCPEC) (A Joint Conference of 45th IEEE PVSC, 28th PVSEC
& 34th EU PVSEC), 1173–1178. https://doi.org/10.1109/PVSC.2018.8547259
Copper, J. K., Sproul, A. B., & Jarnason, S. (2016). Photovoltaic (PV) performance modelling in the absence of onsite
measured plane of array irradiance (POA) and module temperature. Renewable Energy, 86, 760–769.
https://doi.org/10.1016/j.renene.2015.09.005
do Nascimento, L. R., de Souza Viana, T., Campos, R. A., & Rüther, R. (2019). Extreme solar overirradiance events:
Occurrence and impacts on utility-scale photovoltaic power plants in Brazil. Solar Energy, 186(April), 370–381.
https://doi.org/10.1016/j.solener.2019.05.008
 VIII Congresso Brasileiro de Energia Solar – Fortaleza, 01 a 05 de junho de 2020

Faiman, D. (2012). Assessing the outdoor operating temperature of photovoltaic modules. Ieee Trans Fuzzy Syst, 20(6),
1114–1129. https://doi.org/10.1002/pip
Ibrahim, H., & Anani, N. (2017). Variations of PV module parameters with irradiance and temperature. Energy
Procedia, 134, 276–285. https://doi.org/10.1016/j.egypro.2017.09.617
Jakhrani, A. Q., Othman, A. K., Rigitand, A. R. H., & Samo, S. R. (2011). Comparison of solar photovoltaic module
temperature models. World Applied Sciences Journal, 14(SPL ISS 3), 1–8.
Madeti, S. R., & Singh, S. N. (2018). Modeling of PV system based on experimental data for fault detection using kNN
method. Solar Energy, 173(March), 139–151. https://doi.org/10.1016/j.solener.2018.07.038
Nascimento, L. R. do, Campos, R. A., Rüther, R., & Simões, G. C. (2018). Avaliação do desempenho de tecnologias
fotovoltaicas e complementariedade solar e eólica no nordeste brasileiro. In VII Congresso Brasileiro de Energia
Solar (p. 10).
Nascimento, L. R., Campos, R. A., Rüther, R., & Simões, G. (2016). Avaliação de desempenho de diferentes
tecnologias fotovoltaicas no nordeste brasileiro. Anais VI CBENS, 1.
Olukan, T. A., & Emziane, M. (2014). A comparative analysis of PV module temperature models. Energy Procedia, 62,
694–703. https://doi.org/10.1016/j.egypro.2014.12.433
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, E. (2011). Scikit-learn:
Machine Learning in {P}ython. Journal of Machine Learning Research, 12, 2825–2830.
Pedro, H. T. C., & Coimbra, C. F. M. (2012). Assessment of forecasting techniques for solar power production with no
exogenous inputs. Solar Energy, 86(7), 2017–2028. https://doi.org/10.1016/j.solener.2012.04.004
Pedro, H. T. C., & Coimbra, C. F. M. (2015). Nearest-neighbor methodology for prediction of intra-hour global
horizontal and direct normal irradiances. Renewable Energy, 80, 770–782.
https://doi.org/10.1016/j.renene.2015.02.061
Ross, R. G. (1976). INTERFACE DESIGN CONSIDERATIONS FOR TERRESTRIAL SOLAR CELL MODULES. In
12th Photovoltaic Specialists Conference (pp. 801–806).
Segado, P. M., Carretero, J., & Sidrach-de-cardona, M. (2015). Models to predict the operationg temperature of
different photovoltaic modules in outdoor conditions. Progress in Photovoltaics: Research and Applications,
1114–1129. https://doi.org/10.1002/pip
Skoplaki, E., & Palyvos, J. A. (2009a). On the temperature dependence of photovoltaic module electrical performance:
A review of efficiency/power correlations. Solar Energy, 83(5), 614–624.
https://doi.org/10.1016/j.solener.2008.10.008
Skoplaki, E., & Palyvos, J. A. (2009b). Operating temperature of photovoltaic modules: A survey of pertinent
correlations. Renewable Energy, 34(1), 23–29. https://doi.org/10.1016/j.renene.2008.04.009
Urraca, R., Antonanzas, J., Alia-Martinez, M., Martinez-De-Pison, F. J., & Antonanzas-Torres, F. (2016). Smart
baseline models for solar irradiation forecasting. Energy Conversion and Management, 108, 539–548.
https://doi.org/10.1016/j.enconman.2015.11.033
Zhou, J., Zhang, Z., & Ke, H. (2019). PV module temperature distribution with a novel segmented solar cell absorbance
model. Renewable Energy, 134, 1071–1080. https://doi.org/10.1016/j.renene.2018.09.014

FORMAT INSTRUCTIONS FOR PAPERS SUBMITTED TO THE CONGRESS

Abstract. The present work aims to use artificial intelligence and machine learning methods to estimate solar photovoltaic
(PV) module temperature values from exogenous variables such as irradiance, ambient temperature and wind speed. The
data used in this work are the result of an ANEEL R&D project between the Fotovoltaica-UFSC Group and the Statkraft
company, which consists of a set of photovoltaic systems installed in Brotas de Macaúbas - BA. The k-Nearest Neighbors
(kNN) and multilayer perceptron artificial neural networks (ANN-MLP) methods were used to calculate the temperature
values of m-Si and CdTe solar PV modules from the input variables: (i) Global irradiance (GHI), (ii) Module plane
irradiance (GTI), (iii) ambient temperature and (iv) wind speed. Among the proposed methods, kNN had better
performance (RMSE of 2.18 ° C), mainly due to the lower dispersion of its predictions, although the ANN method (RMSE
of 2.69 ° C) was more accurate for intermediate temperature values (between 40 ° C and 50 ° C). It has been shown that
all methods tend to have a higher uncertainty for high temperature values, especially the Ross method and that different
photovoltaic technologies have no influence on the performance of the methods used.

Key words: Module temperature, Machine Learning, Photovoltaic energy