Previsão da produção de uma usina fotovoltaica usando redes neurais artificiais
dc.contributor.advisor1 | Garces Negrete, Lina Paola | |
dc.contributor.referee1 | Garces Negrete, Lina Paola | |
dc.contributor.referee1 | Brigatto, Gelson | |
dc.contributor.referee1 | Rocha Júnior, Luiz Gonzaga | |
dc.creator | Santos, Silvio Silva dos | |
dc.date.accessioned | 2020-04-07T15:22:42Z | |
dc.date.available | 2020-04-07T15:22:42Z | |
dc.date.issued | 2019-11-05 | |
dc.description.abstract | The solar or photovoltaic power generation forecasting is a very complex subject, since it involves the development of complex statistical models. The present work seeks to circumvent the complexity of statistical models through the use of a recurrent neural network type, thus bringing a different dynamic to the problem. Long Short-Term Memory-LSTM networks were used to forecast at horizons of 15 minutes, one hour and one day ahead. The windowing technique was used together with the LSTM network to make the prediction, thus avoiding the use of linear regression given the stochastic nature of the problem addressed. Power generation and climate data were collected from 6:00 to18:00 from the photovoltaic plant and weather station, respectively installed at the B block of the School of Electrical, Mechanical and Computer Engineering (EMC) of the Federal University of Goiás (UFG). Three different LSTM neural network models were implemented and trained with the data from the three time horizons (15 minutes ahead, one hour ahead and one day ahead), thus selecting the models that presented the smallest error, between the real value and the predicted value. | pt_BR |
dc.description.resumo | Previsão de geração de energia solar, ou fotovoltaica, é tema de muita complexidade, pois envolve o desenvolvimento de modelos estatísticos complexos. O presente trabalho procura contornar a complexidade dos modelos estatísticos, através do uso de um tipo rede neural recorrente, trazendo assim, uma dinâmica diferente para o problema. Empregou-se no presente estudo uma rede Long Short-Term Memory(LSTM) para realizar a previsão em horizontes de 15 minutos, uma hora e um dia a frente. Utilizou-se a técnica de janelamento junto com a rede LSTM para fazer a previsão, e evitar, dessa forma, o uso de regressão linear visto a natureza estocástica do problema abordado. Os dados de geração de energia e climáticos foram coletados no intervalo de 6 às 18, da usina fotovoltaica e estação meteorológica, respectivamente instaladas no bloco B da Escola de Engenharia Elétrica, Mecânica e de Computação (EMC) da Universidade Federal de Goiás (UFG). Foram implementados três modelos diferentes de redes neurais LSTM e treinadas com os dados dos três horizontes de tempo (15 minutos, uma hora e um dia a frente), e assim, selecionando os modelos que apresentaram o menor erro, entre o valor real e o valor previsto. | pt_BR |
dc.identifier.citation | SANTOS, Silvio Silva dos. Previsão da produção de uma usina fotovoltaica usando redes neurais artificiais. 2019. 63 f. Trabalho de Conclusão de Curso (Graduação) – Escola de Engenharia Elétrica, Mecânica e de Computação, Universidade Federal de Goiás, Goiânia, 2019. | pt_BR |
dc.identifier.uri | http://repositorio.bc.ufg.br/handle/ri/18991 | |
dc.language.iso | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.course | Engenharia Elétrica (RG) | pt_BR |
dc.publisher.department | Escola de Engenharia Elétrica, Mecânica e da Computação - EMC (RG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Previsão de geração fotovoltaica | pt_BR |
dc.subject | Redes neurais recorrentes | pt_BR |
dc.subject | Long Short-Term Memory | pt_BR |
dc.subject | Técnica da janela | pt_BR |
dc.subject | Photovoltaic generation forecasting | pt_BR |
dc.subject | Long Short-Term Memory - LSTMRecurrent neural networks | pt_BR |
dc.subject | Window technique | pt_BR |
dc.title | Previsão da produção de uma usina fotovoltaica usando redes neurais artificiais | pt_BR |
dc.type | TCC | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- TCCG - Engenharia Elétrica - Silvio Silva dos Santos - 2019.pdf
- Tamanho:
- 2.16 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: