A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

Resumo Técnico: Um Novo Modelo Híbrido VMD-TCN-BiGRU para a Predição de Irradiação Solar

Definição do Problema
A energia solar é um componente crítico na transição global para o consumo sustentável de energia, contudo, sua integração nos sistemas energéticos é dificultada pela natureza intermitente da irradiação solar (IS). A previsão precisa da IS é essencial para decisões de investimento, estabilidade da rede e a operação eficiente de sistemas fotovoltaicos (FV). Embora diversos métodos de aprendizado de máquina (ML) e aprendizado profundo (DL) tenham sido aplicados à predição de IS, a literatura existente frequentemente baseia-se em modelos clássicos ou carece de arquiteturas híbridas robustas capazes de lidar com a não linearidade de alta ordem e a não estacionaridade inerentes aos dados meteorológicos de longo prazo. O desafio permanece em desenvolver um modelo que possa extrair efetivamente dependências temporais e componentes de frequência de conjuntos de dados climáticos complexos para alcançar uma precisão de predição superior.

Metodologia
Este estudo propõe um novo framework de aprendizado profundo híbrido integrando Decomposição de Modo Variacional (VMD), Redes Convolucionais Temporais (TCN) e Unidades Recorrentes de Portão Bidirecionais (BiGRU). O modelo foi aplicado para prever a IS mensal para o Distrito de Karapınar em Konya, Turquia, utilizando dados meteorológicos de longo prazo (janeiro de 1984 – dezembro de 2025) obtidos via NASA POWER.

A arquitetura proposta opera através de quatro estágios sequenciais:

1. Pré-processamento de Dados: Os dados brutos de IS passam por uma transformação logarítmica ($x(t) = \log(1+y(t))$) para mitigar os efeitos de picos súbitos e ruídos, seguida de normalização para o intervalo $[0, 1]$.
2. Decomposição Baseada em VMD: O sinal pré-processado é decomposto em $K=6$ Funções de Modo Intrínseco (IMFs) únicas. Esta etapa isola estruturas lineares e não estacionárias, permitindo que as camadas subsequentes identifiquem padrões periódicos únicos dentro de bandas de frequência específicas.
3. Motor Hierárquico TCN-BiGRU: Cada componente IMF é processado em paralelo por um bloco de aprendizado profundo:
   • Camada TCN: Utiliza convoluções causais dilatadas para capturar dependências temporais de longo prazo com um campo receptivo expandido, extraindo características hierárquicas das IMFs.
   • Camada BiGRU: Processa as características da TCN em ambas as direções (forward e backward) para capturar relações temporais bidirecionais, evitando a perda de dados e mitigando problemas de desaparecimento de gradiente comuns em RNNs padrão.
4. Agregação e Reconstrução: As predições para cada uma das seis IMFs são somadas para reconstruir o sinal final. Uma transformação logarítmica inversa ($\exp(x) - 1$) é aplicada para converter a saída de volta para as unidades originais ($kW\cdot h/m^2/dia$).

Benchmarking
O desempenho do modelo híbrido VMD-TCN-BiGRU proposto foi rigorosamente comparado contra oito algoritmos estabelecidos: XGBoost, Light Gradient Boosting Machine (LGBM), Rede Neural Convolucional (CNN), Árvore de Decisão (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM) e Histogram-Based Gradient Boosting (HGB). Todos os modelos foram treinados em uma divisão de 80/20 do conjunto de dados utilizando estratégias idênticas de otimização de hiperparâmetros.

Principais Resultados
O estudo utilizou múltiplas métricas de avaliação, incluindo Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE), Erro Percentual Absoluto Médio (MAPE), Coeficiente de Determinação ($R^2$) e Desvio de Predição Residual (RPD).

• Redução de Erro: O modelo híbrido proposto alcançou as menores taxas de erro entre os nove modelos, com um MSE de 0,0593, RMSE de 0,2434, MAE de 0,1879 e MAPE de 4,14%.
• Poder Explicativo: O modelo atingiu o maior valor de $R^2$ de 0,9849, indicando que ele modelou com sucesso quase toda a variabilidade do conjunto de dados.
• Confiabilidade (RPD): O modelo alcançou um valor de RPD de 8,137, superando significativamente o segundo melhor modelo (XGBoost com 6,037). Um RPD acima de 8,0 sugere que o modelo é altamente confiável para aplicações práticas.
• Estabilidade e Generalização: Uma análise de validação cruzada de 10 dobras confirmou a estabilidade do modelo, com valores de $R^2$ variando de 97,05% a 99,34% entre as dobras, demonstrando robustez contra overfitting.
• Distribuição de Erro: Análises de histograma e densidade de probabilidade revelaram que os erros do modelo proposto estavam mais concentrados em torno de zero com menor dispersão, enquanto outros modelos exibiram caudas de erro mais largas e maior desvio.

Significância e Alegações
Os autores afirmam que o modelo híbrido VMD-TCN-BiGRU representa um avanço significativo na predição de IS ao abordar as limitações de modelos de arquitetura única. O estudo afirma que a integração da VMD separa efetivamente o ruído e os componentes complexos do sinal, enquanto a combinação TCN-BiGRU aproveita tanto a extração de características locais quanto o aprendizado temporal bidirecional.

O artigo conclui que esta abordagem híbrida oferece maior precisão e confiabilidade do que os métodos padrão de ML e DL (incluindo CNNs e LSTMs) para a previsão mensal de longo prazo da IS. Os autores posicionam o modelo como uma ferramenta superior para gestão de energia, planejamento de rede e otimização de sistemas FV, particularmente em regiões com alto potencial solar como Karapınar. A pesquisa destaca que a combinação específica de decomposição de sinal e aprendizado profundo bidirecional é a chave para atingir o nível de precisão de 98,5% relatado. O trabalho futuro sugerido pelos autores inclui testar o modelo em diferentes zonas climáticas e explorar sua aplicação em outras fontes de energia renovável, como a eólica.