A Dra. Yini Miró, investigadora da Universidad Internacional Iberoamericana (UNIB), colabora num estudo que propõe um método baseado em redes neuronais artificiais (RNA) para prever e estimar a produção de energia a partir de recursos híbridos de energia eólica e solar em tempo real.
Com o aumento da demanda energética devido ao desenvolvimento industrial e ao estilo de vida contemporâneo, há uma busca global por recursos energéticos econômicos e confiáveis. Além disso, o esgotamento dos recursos energéticos tradicionais, como o carvão e a energia hidroelétrica, e o aumento dos preços dos combustíveis fósseis, aceleram a tendência para a utilização de energias renováveis.
As energias renováveis ganharam popularidade nos últimos anos devido à diminuição dos custos dos materiais, aos avanços tecnológicos, à sua natureza amiga do ambiente e às políticas governamentais favoráveis. Por outro lado, as energias solar e eólica estão acessíveis em todo o lado, cada uma com diferentes vantagens, e o mundo está a apostar cada vez mais na utilização destes recursos renováveis.
Embora os painéis solares mais eficientes continuem a ser caros, um sistema híbrido que combine turbinas eólicas e painéis solares tem-se revelado mais eficaz. No entanto, a estimativa exacta da produção de energia a partir destas fontes pode ser um desafio devido à sua natureza intermitente e às variações de intensidade entre o dia e a noite.
Para responder a este desafio, o Dr. Miró, juntamente com outros investigadores, recorreu ao poder da inteligência artificial. O objetivo deste estudo é contribuir para a previsão de recursos renováveis e melhorar a eficiência da produção de energia híbrida utilizando RNAs. Para o efeito, é apresentado um método inovador que utiliza uma série de variáveis ambientais que correlacionam a velocidade do vento e a radiação solar. Estas variáveis incluem dados de temperatura, humidade, pressão atmosférica, radiação solar, ângulo ótimo e valores alvo das velocidades.
Através de uma função de normalização e de um algoritmo de treino iterativo Levenberg-Marquardt, o modelo RNA conseguiu reduzir os erros inerentes à estimação em comparação com outros métodos atualmente utilizados. Os resultados obtidos nas experiências demonstram a eficácia da abordagem, tendo sido alcançada uma precisão de previsão de 2,08%.
A aplicação desta técnica ANN na previsão e estimativa de recursos híbridos eólicos e solares em tempo real tem importantes implicações práticas e económicas. Permite um planeamento eficiente da operação de sistemas híbridos, o que, por sua vez, pode aumentar a quantidade de energia renovável, reduzir os custos de produção e aumentar a sustentabilidade do fornecimento de eletricidade.
Para além da sua aplicação na indústria energética, este método tem também um impacto potencial em áreas como a meteorologia, a agricultura e o planeamento do desenvolvimento urbano. A capacidade de prever com exatidão os recursos eólicos e solares pode contribuir para a conceção de políticas e estratégias que promovam a utilização sustentável de fontes de energia renováveis e impulsionem a transição para uma economia sem emissões de carbono.
Se quiser saber mais sobre este estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório da UNIB.
A Universidad Internacional Iberoamericana (UNIB) oferece o Mestrado em Gestão e Auditorias Ambientais e o Mestrado em Direção Estratégica com especialidade em Tecnologias da Informação.