Banca de QUALIFICAÇÃO: RODRIGO RODRIGUES CHAVES

Estudo de diversos algoritmos de aprendizado de máquina na previsão da curva característica corrente-tensão.

Modelagem I-V; Célula fotovoltaica; Aprendizado de máquina; GRU; XGBoost; MIX arquitetura híbrida.

A modelagem da curva I-V é de suma importância para avaliar o desempenho de células solares. Portanto, três abordagens complementares para modelar a curva I-V de células e módulos fotovoltaicos sob diferentes condições de temperatura e irradiação são apresentadas, combinando caracterizações experimentais e conjuntos de dados públicos com técnicas de aprendizado de máquina. No Capítulo 1, uma célula de silício policristalino foi caracterizada em um simulador solar (25–55 °C; 600–1000 W/m²) e modelos recorrentes (LSTM e GRU) foram treinados para prever a curva I-V; o modelo GRU alcançou RMSE = 5,79 × 10⁻³ e R² = 0,9844, com o LSTM apresentando desempenho similar. No Capítulo 2, dados experimentais do NREL para oito módulos em três locais nos EUA foram usados para treinar e validar um modelo XGBoost, resultando em um RMSE médio de 0,068 e um R² médio de 0,98. O módulo com melhor desempenho (silício amorfo/tandem de silício) alcançou um RMSE de 0,0197 e um R² de 0,99. No Capítulo 3, o mesmo conjunto de dados experimentais de células policristalinas foi usado para comparar KNN, SVM, RF e uma arquitetura híbrida MIX (GRU+CNN). O modelo MIX alcançou um RMSE de 1,47 × 10⁻² e um R² de 0,9868, enquanto o KNN apresentou resultados comparáveis em alguns cenários. Em conjunto, os três estudos demonstram que os métodos de aprendizado de máquina — desde algoritmos simples baseados em instâncias até o gradient boosting e redes neurais híbridas — podem reconstruir com precisão as características I-V em faixas ambientais realistas, dando suporte a aplicações em previsão de desempenho, diagnóstico de falhas e otimização de sistemas fotovoltaicos.