Abstract
Este artigo expande um trabalho anterior que investigou a previsão de geração de energia eólica e solar utilizando redes neurais recorrentes (LSTM e GRU). Reconhecendo a importância da precisão para a integração de energias renováveis na rede elétrica, o presente estudo aprimora a metodologia original ao incorporar uma camada de Rede Neural Convolucional (CNN) a um modelo GRU, criando uma arquitetura híbrida CNN-GRU. O objetivo é explorar como a CNN pode melhorar a extração de características de dados meteorológicos, otimizando a previsão. A metodologia envolveu a coleta e pré-processamento de dados meteorológicos e de geração de energia do IEEE DataPort, seguida pela construção, treinamento e avaliação dos modelos LSTM, GRU e CNN-GRU utilizando validação cruzada temporal. Os resultados demonstraram que, embora o LSTM tenha apresentado o melhor desempenho médio (R² de 0.946 ± 0.005), o modelo híbrido CNN-GRU (R² de 0.925 ± 0.008) superou o GRU autônomo (R² de 0.917 ± 0.008). Esta melhoria sugere que a camada CNN foi eficaz na identificação de padrões locais nos dados meteorológicos, contribuindo para previsões mais robustas. O estudo conclui que a abordagem híbrida CNN-GRU é promissora para aprimorar a previsão de energia renovável, especialmente em cenários com dados de entrada complexos.