RESUMO A estabilidade dos sistemas de rede elétrica pode ser significativamente afetada pela imprevisibilidade e volatilidade da geração de energia; no entanto, a previsão precisa da energia solar pode ajudar a reduzir esse impacto. Isso beneficia o sistema por meio de custos operacionais mais baixos, operação equilibrada e despacho ideal. Na última década, abundante pesquisa foi publicada sobre este tema, explorando modelos físicos, técnicas de inteligência artificial (IA) e abordagens numéricas e probabilísticas. Além disso, estudos de revisão anteriores centraram suas discussões de revisão em um horizonte de evento específico, outros focaram exclusivamente no horizonte geográfico e avaliaram apenas classes particulares de previsões de potência fotovoltaica (PV). Eles prestaram pouca ou nenhuma atenção a outras classes. Portanto, uma análise minuciosa dos métodos de previsão de potência de saída solar PV é necessária. Neste artigo, é dado um foco especial ao aprendizado profundo (DL), aprendizado de máquina (ML) e métodos híbridos, uma vez que essas áreas de IA estão ganhando popularidade. Este estudo tem como objetivo fornecer uma revisão abrangente e crítica das últimas aplicações de IA. Também apresenta uma análise estatística dos erros de previsão com base em mais de cem estudos de previsão de geração solar. Além disso, o artigo oferece uma breve introdução às métricas utilizadas em ML, DL e métodos híbridos e sua interpretação. Uma discussão sobre fatores que influenciam os erros de previsão está incluída. Modelos futuros serão mais precisos devido à clarificação que foi fornecida.
Singh et al. (Qui,) estudaram esta questão.