Machine learning methods applied to intraday solar forecasting for power system operation

Página do item simplificado
dc.contributor.advisor-co1Marra, Enes Gonçalves
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8463332056679918pt_BR
dc.contributor.advisor1Alvarenga, Bernardo Pinheiro de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9850449311607643pt_BR
dc.contributor.referee1Alvarenga, Bernardo Pinheiro de
dc.contributor.referee2Mussetta, Marco
dc.contributor.referee3Marra, Enes Gonçalves
dc.contributor.referee4Pimentel, Sergio Pires
dc.contributor.referee5Brito, Leonardo da Cunha
dc.creatorPaiva, Gabriel Mendonça de
dc.creator.Latteshttp://lattes.cnpq.br/4501813980717156pt_BR
dc.date.accessioned2021-04-20T13:54:11Z
dc.date.available2021-04-20T13:54:11Z
dc.date.issued2021-03-05
dc.description.abstractPrever o recurso solar é uma ferramenta essencial para sua integração com a rede elétrica. Esta tese foca em previsão solar intra-diária, com uma análise robusta de previsão de irradiância testada em múltiplas localidades e uma proposta de implementação de previsão de potência fotovoltaica (FV). Dois algoritmos de aprendizagem de máquinas são avaliados para previsão intra-diária da irradiância solar: programação genética multigene (PGMG) e redes neurais artificiais do tipo multilayer perceptron (MLP). PGMG é um algoritmo evolucionário e um método tipo "caixa branca" e é uma nova técnica na área. Os algoritmos de aprendizagem de máquinas também são comparados com um modelo de persistência inteligente (smart persistence) para prever a irradiância solar com dados de seis localidades. Os horizontes de previsão considerados são 15-120 minutos à frente. Os resultados das simulações mostram um aprimoramento consistente das previsões quando variáveis climáticas exógenas são adicionadas como entrada aos modelos, sendo 5.68% o aprimoramento pelo cálculo de erro médio absoluto (MAE) e 3.41% o aprimoramento pelo cálculo de raiz do erro quadrático médio (RMSE). Os resultados também mostram que localidade, horizonte de previsão e métrica de erro escolhida influenciam a dominância de acurácia dos modelos. Dois modelos de irradiância de céu claro foram implementados, mas os resultados indicam para uma baixa influência dos modelos na acurácia de previsão para previsões multivariadas por aprendizagem de máquinas. Em uma perspectiva genérica, PGMG apresentou resultados mais precisos e robustos que MLP em previsões individuais, provendo soluções mais rápidas. Entretanto, MLP apresentou mais precisão em previsões do tipo ensemble, porém estas apresentam também maior complexidade e maior custo computacional. A implementação de previsão de potência FV mostrou resultados consistentes, aprimorando valores de RMSE de previsões de persistência em 9.79%-23.75% para horizontes de 15-120 minutos.por
dc.description.provenanceSubmitted by Luciana Ferreira (lucgeral@gmail.com) on 2021-04-19T12:33:32Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Tese - Gabriel Mendonça de Paiva - 2021.pdf: 8359268 bytes, checksum: dea05733cf808e7c1f64413ea347dfae (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2021-04-20T13:54:11Z (GMT) No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Tese - Gabriel Mendonça de Paiva - 2021.pdf: 8359268 bytes, checksum: dea05733cf808e7c1f64413ea347dfae (MD5)en
dc.description.provenanceMade available in DSpace on 2021-04-20T13:54:11Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Tese - Gabriel Mendonça de Paiva - 2021.pdf: 8359268 bytes, checksum: dea05733cf808e7c1f64413ea347dfae (MD5) Previous issue date: 2021-03-05en
dc.description.resumoForecasting solar resources is an essential tool for its integration into electrical utility grids. This thesis focuses on intraday solar forecasting, with a robust analysis of irradiance forecasting tested on multiple sites and a proposed PV power forecast implementation. Two machine learning (ML) algorithms for intraday solar irradiance forecasting were evaluated: multigene genetic programming (MGGP) and the multilayer perceptron (MLP) artificial neural network (ANN). MGGP is an evolutionary algorithm white-box method and is a novel approach in the field. The ML algorithms are also compared with a smart persistence model to forecast irradiance for databases from six locations. The forecast horizons under consideration are 15–120 minutes ahead. The results show a consistent improvement of MAE and RMSE values by adding exogenous weather variables as input to the ML algorithms of 5.68% and 3.41%, respectively. The results also show that location, forecast horizon and error metric definition affect model accuracy dominance. Two clear sky models were implemented, but results indicate a low influence of them in multivariate ML forecast accuracy. MGGP presented more accurate and robust results in single prediction cases in a general perspective, providing faster solutions. In contrast, ANN presented more accurate ensemble forecasting results, although it presented higher complexity and required additional computational effort. The implementation of the PV power forecasting model has shown consistent results, improving RMSE values from a kPV index smart persistence by 9.79%–23.75% for horizons of 15–120 minutes.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Goiáspt_BR
dc.identifier.citationPAIVA, G. M. Métodos de aprendizagem de máquinas aplicados em previsão solar intra-diária para operação de sistemas de potência. 2021. 105 f. Tese (Doutorado em Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia, 2021.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/11257
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétrica e da Computação (EMC)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectRedes neurais artificiaispor
dc.subjectPrevisão solar intra-diáriapor
dc.subjectProgramação genética multigenepor
dc.subjectOperação de sistema elétrico de potênciapor
dc.subjectPrevisão de potência FVpor
dc.subjectPrevisão de curto prazopor
dc.subjectArtificial neural networkseng
dc.subjectIntraday solar forecastingeng
dc.subjectMultigene genetic programmingeng
dc.subjectPower system operationeng
dc.subjectPV power forecastingeng
dc.subjectShort-term forecastingeng
dc.subject.cnpqENGENHARIAS::ENGENHARIA ELETRICA::CIRCUITOS ELETRICOS, MAGNETICOS E ELETRONICOSpt_BR
dc.titleMachine learning methods applied to intraday solar forecasting for power system operationpt_BR
dc.title.alternativeMétodos de aprendizagem de máquinas aplicados em previsão solar intra-diária para operação de sistemas de potênciapor
dc.typeTesept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Tese - Gabriel Mendonça de Paiva - 2021.pdf
Tamanho:
7.97 MB
Formato:
Adobe Portable Document Format
Descrição:
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

Doutorado em Engenharia Elétrica e da Computação (EMC)