Previsão confiável de energia fotovoltaica (PV) baseada em aprendizagem profunda geralmente requer grandes conjuntos de dados históricos para capturar a alta variabilidade temporal e espacial da irradiância solar. No entanto, em muitas aplicações do mundo real, a disponibilidade de dados é limitada a curtos períodos de observação, dificultando o treinamento eficaz de modelos de aprendizagem profunda. Este artigo investiga como técnicas de aumento de dados de imagens do céu podem melhorar a capacidade de generalização das Redes Neurais Convolucionais (CNNs) treinadas em condições de escassez de dados. Três métodos de oversampling baseados em aumento — SMOTE, Mixup-kNN e Mixup-RP — são avaliados, juntamente com duas novas estratégias híbridas que combinam esses métodos em configurações paralelas e em série. O framework proposto é validado em dois estudos de caso distintos de previsão de energia fotovoltaica, nos quais os conjuntos de dados de treinamento originais de imagens do céu abrangem menos de um mês. Resultados experimentais mostram melhorias de desempenho médio de até 50% em dados de teste externos ao treinar a CNN com os conjuntos de dados aumentados em comparação com os conjuntos de dados base originais, demonstrando que a previsão precisa de energia PV é viável mesmo em condições de escassez de dados típicas de sistemas PV recém-instalados, e destacando o potencial de abordagens de aprendizado eficientes em dados para aplicações de energia renovável.
Kousounadis-Knousen et al. (Mon,) estudaram esta questão.