A penetração de energias renováveis é fundamental para uma transição de matriz energética ambientalmente correta, economicamente próspera e socialmente justa. Dentro deste contexto, a energia solar fotovoltaica deve desempenhar um papel substancial nos próximos anos e, muito embora tenha avançado a passos largos dado sua modularidade e abundância de recurso natural, a variabilidade intrínseca a fonte solar é um dos fatores limitativos basais para a sua integração em sistemas elétricos. Prever a geração solar fotovoltaica, portanto, torna-se uma das condições chave para reduzir os impactos da variabilidade da fonte, facilitando sua integração na matriz elétrica mundial. Para tal, técnicas de aprendizado de máquina são amplamente conhecidas por sua capacidade de previsão e, nesta condição, foram estudadas por este trabalho de pesquisa para entender o estado da arte dos algoritmos empregados para previsibilidade de geração solar fotovoltaica e aplicar as melhores práticas encontradas na literatura em contexto brasileiro. Em um estágio inicial do trabalho, realizou-se uma revisão de escopo da literatura para identificar como o problema de variabilidade de geração de energia solar fotovoltaica estava sendo abordado conjuntamente com modelos de aprendizado de máquina. A partir de questões estruturadas de pesquisa, selecionouse por meio de critérios objetivos 38 artigos para revisão. Como resultado identificouse que Máquinas de Vetores de Suporte, Redes Neurais Artificiais e Máquinas de Aprendizado Extremo eram os algoritmos mais utilizados para o problema de previsibilidade proposto. Por fim, entendeu-se que a modelagem de dados de parâmetros meteorológicos para a região em estudo era a abordagem mais utilizada dado a próxima relação entre a disponibilidade do recurso natural de irradiação e a geração de eletricidade pela conversão fotovoltaica. Em sequência, os três algoritmos foram implementados, criando-se modelos de previsão fundamentados em dados de parâmetros meteorológicos medidos na cidade de São Paulo. No cenário proposto, constatou-se que a inclusão de todos os vi parâmetros meteorológicos disponibilizados para a região era a configuração de modelagem com melhores resultados. Nesta configuração, os três algoritmos implementados possuem acurácia de previsão próximas, com valores para correlação de Pearson entre irradiação prevista e observada entre 0,87 e 0,89. Entretanto, existe ligeira vantagem para os modelos implementados com o algoritmo SVM quando comparados os resultados nas métricas de erro propostas (RSME e MAE).

The penetration of renewable energy generation sources is fundamental for a transition to an environmentally correct, economically prosperous, and socially equal electricity mix. Within this context, photovoltaic solar energy must play a substantial role in the coming years and, although it has advanced rapidly given its modularity and abundance of natural resources, the intrinsic variability of the solar source is one of the basic limiting factors for its integration into power systems. Predicting photovoltaic solar generation, therefore, becomes one of the key conditions to reduce the impacts of the source variability, facilitating its integration into the global electrical mix. Machine learning methods are widely known for their prediction capability, and, in this condition, these techniques were studied by this research project aiming to understand the state-of-art algorithms used for predicting solar photovoltaic energy generation and to apply the best practices in a Brazilian context. In an initial stage of the work, a literature scoping review was conducted to identify how the problem of variability of photovoltaic solar energy generation was being approached together with machine learning models. Based on structured research questions, 38 articles were selected through objective criteria for review. As a result, it was identified that Support Vector Machines, Artificial Neural Networks and Extreme Learning Machines were the most used algorithms to address the proposed predictability problem. Finally, it was understood that the modeling of meteorological parameters for the region under study was the most used approach given the relationship between the availability of the natural irradiation resource and the generation of electricity by photovoltaic conversion. In sequence, the three most frequently cited algorithms in the literature were implemented, creating forecast models based on data from meteorological parameters measured in the city of São Paulo. In the proposed scenario, it was found that the inclusion of all meteorological parameters available for the region was the modeling configuration with the best results. In this configuration, the three implemented algorithms have close prediction accuracy, with values for Pearson's correlation between predicted and observed irradiation ranging from 0.87 to 0.89. However, there is a slight advantage for the models implemented with the SVM algorithm when comparing the results for the proposed error metrics (RSME and MAE).