Estudo Bibliométrico de Gêmeos Digitais no Setor Energético Solar
Bibliometric Study of Digital Twins in the Solar Energy Sector
DOI:
https://doi.org/10.51473/rcmos.v1i2.2025.1777Palavras-chave:
Gêmeos Digitais, Bibliometria, OtimizaçãoResumo
Os Gêmeos Digitais (GD) representam uma tecnologia emergente capaz de emular sistemas reais em ambientes virtuais, oferecendo soluções promissoras para o setor energético. Este trabalho apresenta uma análise bibliométrica sobre a aplicação de Gêmeos Digitais no setor de energia solar, visando identificar tendências, lacunas e principais tópicos de pesquisa. A metodologia baseou-se na coleta de dados nas bases Web of Science e Scopus, abrangendo o período de 2009 a 2024, seguida pelo processamento de correlação de termos através do software VOSviewer. Os resultados indicam que o tema é recente e em crescimento, com foco predominante no gerenciamento de sistemas, otimização de performance e uso intensivo de Machine Learning para previsão de recursos solares e potência. Conclui-se que a pesquisa na área está intrinsecamente ligada à modernização das usinas e eficiência operacional, apontando para um vasto campo de investigações futuras.
Downloads
Referências
ARTETXE, E.; URALDE, J.; BARAMBONES, O.; CALVO, I.; MARTIN, I. Maximum Power Point Tracker Controller for Solar Photovoltaic Based on Reinforcement Learning Agent with a Digital Twin. Mathematics, v. 11, 2023. DOI: 10.3390/math11092166. DOI: https://doi.org/10.3390/math11092166
BROADUS, R. N. Toward a definition of “bibliometrics.” Scientometrics, v. 12, p. 373–379, 1987. DOI: 10.1007/BF02016680. DOI: https://doi.org/10.1007/BF02016680
CHENG, T.; ZHU, X.; YANG, F.; WANG, W. Machine learning enabled learning-based optimization algorithm in digital twin simulator for management of smart islanded solar-based microgrids. Solar Energy, v. 250, p. 241–247, 2023. DOI: 10.1016/j.solener.2022.12.040. DOI: https://doi.org/10.1016/j.solener.2022.12.040
GHENAI, C.; HUSEIN, L. A.; AL NAHLAWI, M.; HAMID, A. K.; BETTAYEB, M. Recent trends of digital twin technologies in the energy sector: A comprehensive review. Sustainable Energy Technologies and Assessments, v. 54, 2022. DOI: 10.1016/j.seta.2022.102837. DOI: https://doi.org/10.1016/j.seta.2022.102837
GUI, Y. et al. Automatic voltage regulation application for PV inverters in low-voltage distribution grids – A digital twin approach. International Journal of Electrical Power & Energy Systems, v. 149, 109022, 2023. DOI: 10.1016/j.ijepes.2023.109022. DOI: https://doi.org/10.1016/j.ijepes.2023.109022
GUO, Z. et al. Intelligent Digital Twin Modelling for Hybrid PV-SOFC Power Generation System. Energies, v. 16, 2023. DOI: 10.3390/en16062806. DOI: https://doi.org/10.3390/en16062806
HONG, Y. Y.; PULA, R. A. Diagnosis of PV faults using digital twin and convolutional mixer with LoRa notification system. Energy Reports, v. 9, p. 1963–1976, 2023. DOI: 10.1016/j.egyr.2023.01.011. DOI: https://doi.org/10.1016/j.egyr.2023.01.011
HUANG, J.; KOROTEEV, D. D.; RYNKOVSKAYA, M. Machine learning-based demand response in PV-based smart home considering energy management in digital twin. Solar Energy, v. 252, p. 8–19, 2023. DOI: 10.1016/j.solener.2023.01.044. DOI: https://doi.org/10.1016/j.solener.2023.01.044
KHALED, N.; PATTEL, B.; SIDDIQUI, A. Digital twin model creation of solar panels. In: Digital Twin Development and Deployment on the Cloud. Elsevier, 2020. p. 137–162. DOI: 10.1016/b978-0-12-821631-6.00006-2. DOI: https://doi.org/10.1016/B978-0-12-821631-6.00006-2
LI, Y.; TAO, Q.; GONG, Y. Digital twin simulation for integration of blockchain and internet of things for optimal smart management of PV-based connected microgrids. Solar Energy, v. 251, p. 306–314, 2023. DOI: 10.1016/j.solener.2023.01.013. DOI: https://doi.org/10.1016/j.solener.2023.01.013
MINGERS, J.; LEYDESDORFF, L. A review of theory and practice in scientometrics. European Journal of Operational Research, v. 246, p. 1–19, 2015. DOI: 10.1016/j.ejor.2015.04.002. DOI: https://doi.org/10.1016/j.ejor.2015.04.002
NATGUNANATHAN, I. et al. Deakin Microgrid Digital Twin and Analysis of AI Models for Power Generation Prediction. Energy Conversion and Management: X, 100370, 2023. DOI: 10.1016/j.ecmx.2023.100370. DOI: https://doi.org/10.1016/j.ecmx.2023.100370
RAZO, D. E. G. et al. A genetic algorithm approach as a self-learning and optimization tool for PV power simulation and digital twinning. Energies, v. 13, 2020. DOI: 10.3390/en13246712. DOI: https://doi.org/10.3390/en13246712
SEHRAWAT, N.; VASHISHT, S.; SINGH, A. Solar irradiance forecasting models using machine learning techniques and digital twin: A case study with comparison. International Journal of Intelligent Networks, v. 4, p. 90–102, 2023. DOI: 10.1016/j.ijin.2023.04.001. DOI: https://doi.org/10.1016/j.ijin.2023.04.001
SEMERARO, C.; LEZOCHE, M.; PANETTO, H.; DASSISTI, M. Digital twin paradigm: A systematic literature review. Computers in Industry, v. 130, 2021. DOI: 10.1016/j.compind.2021.103469. DOI: https://doi.org/10.1016/j.compind.2021.103469
SLEITI, A. K.; KAPAT, J. S.; VESELY, L. Digital twin in energy industry: Proposed robust digital twin for power plant and other complex capital-intensive large engineering systems. Energy Reports, v. 8, p. 3704–3726, 2022. DOI: 10.1016/j.egyr.2022.02.305. DOI: https://doi.org/10.1016/j.egyr.2022.02.305
TAO, F.; XIAO, B.; QI, Q.; CHENG, J.; JI, P. Digital twin modeling. Journal of Manufacturing Systems, v. 64, p. 372–389, 2022. DOI: 10.1016/j.jmsy.2022.06.015. DOI: https://doi.org/10.1016/j.jmsy.2022.06.015
TUOMIRANTA, A. et al. Auto-Parametrizing the Digital Twin of Photovoltaic Power Systems. In: 38th European Photovoltaic Solar Energy Conference and Exhibition, 2021. p. 1022–1027. DOI: 10.4229/EUPVSEC20212021-5DO.1.4.
ULLAH, S. M. S. et al. Techno-economic impacts of Volt-VAR control on the high penetration of solar PV interconnection. Cleaner Energy Systems, v. 5, 100067, 2023. DOI: 10.1016/j.cles.2023.100067. DOI: https://doi.org/10.1016/j.cles.2023.100067
YAO, J. F. et al. Systematic review of digital twin technology and applications. Visual Computing for Industry, Biomedicine, and Art, v. 6, 2023. DOI: 10.1186/s42492-023-00137-4. DOI: https://doi.org/10.1186/s42492-023-00137-4
YOU, M. et al. Digital twins based day-ahead integrated energy system scheduling under load and renewable energy uncertainties. Applied Energy, v. 305, 2022. DOI: 10.1016/j.apenergy.2021.117899. DOI: https://doi.org/10.1016/j.apenergy.2021.117899
YUAN, G.; XIE, F. Digital Twin-Based economic assessment of solar energy in smart microgrids using reinforcement learning technique. Solar Energy, v. 250, p. 398–408, 2023. DOI: 10.1016/j.solener.2022.12.031. DOI: https://doi.org/10.1016/j.solener.2022.12.031
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2025 Lucas Emanuel Almeida Barboza (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:
- Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.
O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.
A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.
Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.
