Previsão da produção de uma usina fotovoltaica usando redes neurais artificiais

Página do item simplificado
dc.contributor.advisor1Garces Negrete, Lina Paola
dc.contributor.referee1Garces Negrete, Lina Paola
dc.contributor.referee1Brigatto, Gelson
dc.contributor.referee1Rocha Júnior, Luiz Gonzaga
dc.creatorSantos, Silvio Silva dos
dc.date.accessioned2020-04-07T15:22:42Z
dc.date.available2020-04-07T15:22:42Z
dc.date.issued2019-11-05
dc.description.abstractThe 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.resumoPrevisão 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.citationSANTOS, 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.urihttp://repositorio.bc.ufg.br/handle/ri/18991
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Elétrica (RG)pt_BR
dc.publisher.departmentEscola de Engenharia Elétrica, Mecânica e da Computação - EMC (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectPrevisão de geração fotovoltaicapt_BR
dc.subjectRedes neurais recorrentespt_BR
dc.subjectLong Short-Term Memorypt_BR
dc.subjectTécnica da janelapt_BR
dc.subjectPhotovoltaic generation forecastingpt_BR
dc.subjectLong Short-Term Memory - LSTMRecurrent neural networkspt_BR
dc.subjectWindow techniquept_BR
dc.titlePrevisão da produção de uma usina fotovoltaica usando redes neurais artificiaispt_BR
dc.typeTCCpt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCCG - Engenharia Elétrica - Silvio Silva dos Santos - 2019.pdf
Tamanho:
2.16 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

EMC - Trabalhos de Conclusão de Curso