A expansão acelerada da energia solar está transformando a matriz energética mundial. Mas, à medida que usinas fotovoltaicas ganham espaço na produção de eletricidade, surge um desafio igualmente importante: prever com precisão quanta energia será gerada nas próximas horas ou dias. Uma nova pesquisa publicada nesta sexta-feira (12), na revista científica Nature Communications, sugere que a inteligência artificial pode estar prestes a revolucionar essa tarefa.

No estudo “Rethinking the Use of Deep Learning Methods for Photovoltaic Power Forecasting”, os pesquisadores Yujia Zhang, Yuzhou Zhang, Zhixiang Dai e Rita Zhang, todos vinculados à NVIDIA Corporation, reavaliaram os fundamentos dos modelos de aprendizado profundo usados para prever a geração de energia solar e propuseram uma nova arquitetura chamada Cross-Unet. O trabalho demonstra que abordagens amplamente adotadas pela comunidade científica podem não ser as mais adequadas quando previsões meteorológicas futuras são incorporadas ao processo.

Segundo os autores, a necessidade de previsões mais precisas tornou-se urgente diante do crescimento global da energia solar. Dados da Agência Internacional de Energia (IEA), citados no artigo, indicam que a capacidade fotovoltaica deverá continuar crescendo rapidamente à medida que os custos da tecnologia diminuem e políticas públicas de incentivo são ampliadas. Entretanto, a produção solar permanece altamente dependente de fatores atmosféricos como cobertura de nuvens, temperatura, umidade e concentração de aerossóis.

Essa variabilidade tem consequências econômicas reais. O estudo destaca uma análise de usinas solares nos Estados Unidos entre 2012 e 2019 que mostrou custos entre US$ 0,3 e US$ 1,5 por megawatt-hora associados a erros de previsão quando a margem de erro variava entre 13,4% e 20,8%. Em sistemas elétricos modernos, previsões imprecisas afetam desde a programação da geração até negociações em mercados de energia.

Para enfrentar esse problema, a equipe desenvolveu o Cross-Unet, uma arquitetura baseada em Transformers capaz de combinar simultaneamente dados históricos das usinas e previsões meteorológicas futuras. Diferentemente de muitos modelos atuais, que comprimem todas as informações em representações únicas antes de gerar previsões, o novo método preserva a correspondência temporal entre os eventos meteorológicos previstos e a produção de energia esperada.

“O uso de informações meteorológicas futuras altera fundamentalmente a estrutura do problema”, argumentam os autores. Segundo a análise, modelos tradicionais tendem a perder informações valiosas ao tratar previsões futuras e registros históricos da mesma maneira. O Cross-Unet foi projetado justamente para equilibrar essas duas fontes de informação, identificando dinamicamente quais variáveis exercem maior influência sobre a geração solar futura.

Os pesquisadores avaliaram a tecnologia em cinco usinas fotovoltaicas localizadas na China e na Austrália. Foram utilizados três tipos distintos de informação meteorológica antecipada: previsões meteorológicas numéricas convencionais (NWP), estimativas derivadas de satélites e previsões produzidas por modelos meteorológicos de inteligência artificial. O sistema foi testado em horizontes que variaram de quatro horas até sete dias, sempre com resolução temporal de 15 minutos.

Os resultados foram expressivos. Em praticamente todas as combinações de usinas e janelas temporais analisadas, o Cross-Unet superou dez modelos avançados de aprendizado profundo considerados referências na área. Nas previsões baseadas em modelos meteorológicos convencionais, os coeficientes de determinação (R2) permaneceram entre 0,891 e 0,914 para previsões de quatro horas e entre 0,853 e 0,898 para previsões de sete dias. Além disso, os erros médios absolutos foram reduzidos em até 10,1%, enquanto os erros quadráticos médios diminuíram até 12,3% em comparação com os melhores concorrentes.

Quando os cientistas utilizaram dados de irradiância solar observados por satélites — considerados uma aproximação próxima das condições atmosféricas reais — o desempenho foi ainda melhor. Em alguns casos, os valores de R² alcançaram a faixa de 0,94 a 0,95, revelando um potencial ainda maior para previsões de alta precisão quando informações meteorológicas mais confiáveis estão disponíveis.

Outro aspecto relevante do trabalho foi a integração com sistemas meteorológicos de inteligência artificial. Utilizando previsões produzidas pela plataforma Earth-2 da NVIDIA, o modelo manteve desempenho robusto, com R2 entre 0,88 e 0,93 para horizontes de quatro horas e entre 0,82 e 0,87 para previsões de sete dias. Os autores observam que esses resultados foram obtidos em condições operacionais realistas, nas quais as previsões são emitidas apenas uma vez por dia, reproduzindo a rotina de operadores de usinas solares.

A pesquisa também traz uma reflexão mais ampla sobre o futuro da integração entre meteorologia e inteligência artificial. Sistemas recentes como GraphCast, Pangu-Weather, AIFS e Earth-2 vêm demonstrando avanços rápidos na previsão atmosférica. Segundo os autores, à medida que esses modelos se aproximarem da precisão observada por satélites, será possível reduzir ainda mais os erros na previsão da geração fotovoltaica.

Além da precisão, a eficiência computacional foi um diferencial. O Cross-Unet utilizou aproximadamente 5,9 milhões de parâmetros, menos da metade do necessário em algumas arquiteturas concorrentes. Isso significa menor demanda computacional e maior viabilidade para aplicações operacionais em larga escala.

Para os pesquisadores, o impacto potencial vai muito além da engenharia de software. Redes elétricas mais estáveis, mercados energéticos mais eficientes e melhor integração de fontes renováveis dependem diretamente da capacidade de antecipar oscilações na produção solar. Ao demonstrar que previsões meteorológicas futuras devem ocupar papel central nos modelos de inteligência artificial, o estudo oferece um novo paradigma para a gestão da energia renovável.

Em um cenário global marcado pela corrida pela descarbonização, prever o comportamento do Sol com mais precisão pode representar um passo decisivo para tornar os sistemas energéticos mais resilientes, econômicos e sustentáveis. O Cross-Unet surge, assim, não apenas como um avanço em ciência de dados, mas como uma ferramenta estratégica para a transição energética do século XXI.