Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas

Bibliographic Details
Main Author: Pelisson, Angelo Abdallah
Publication Date: 2021
Format: Master thesis
Language: por
Source: Repositório Institucional da UFSC
Download full: https://repositorio.ufsc.br/handle/123456789/229356
Summary: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2021.
id UFSC_04a1278c4192806a26f25a833bc3b229
oai_identifier_str oai:repositorio.ufsc.br:123456789/229356
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaPelisson, Angelo AbdallahJaskowiak, Pablo AndrettaSpengler, Anderson Wedderhoff2021-10-14T19:32:47Z2021-10-14T19:32:47Z2021373104https://repositorio.ufsc.br/handle/123456789/229356Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2021.O aumento da demanda por energia elétrica em âmbito mundial é resultado do avanço tecnológico e econômico, levando ao desenvolvimento e adoção de novas fontes de energia, sendo de particular interesse a energia fotovoltaica. Com o desenvolvimento dos sistemas fotovoltaicos de geração surgem alguns desafios, como, a sua produção intermitente, ligada a forte dependência de fatores ambientais, climáticos, e meteoroló- gicos. A produção de energia inconstante destes sistemas pode resultar em problemas de confiabilidade, segurança, e planejamento para os produtores e concessionárias de distribuição de energia elétrica. Com o intuito de aumentar a confiabilidade do sistema como um todo, uma alternativa é a adoção de abordagens que realizam previsões acerca da energia produzida em sistemas fotovoltaicos. Este trabalho tem como objetivo estudar, aplicar e comparar estratégias de previsão de geração de energia baseadas em Aprendizado de Máquina para sistemas fotovoltaicos. Estas investigações são realizadas a partir de dados coletados por uma estação solarimétrica composta por sensores específicos. As estratégias investigadas podem ser divididas em duas grandes categorias: (i) estratégias baseadas em métodos individuais e (ii) estratégias baseadas em comitês de métodos. No primeiro caso, investigou-se o desempenho individual de diferentes métodos considerando variações em seus parâmetros e nos subconjuntos de atributos utilizados na descrição do problema. No segundo caso, investigou-se o uso de comitês de métodos com seu treinamento/aplicação baseado no tipo climático dos dias sob investigação, a fim de obter previsões mais direcionadas e precisas. A comparação de modelos individuais sugere melhores resultados com o uso de Redes Neurais Artificiais, especificamente com o uso da rede Multilayer Perceptron (MLP). A estratégia baseada em comitês apresentou melhores resultados quando comparada à estratégia de modelos individuais. Em particular, os melhores resultados foram observados quando os comitês foram empregados juntamente com conjuntos Fuzzy para a realização da categorização dos dias. O trabalho apresenta ainda uma proposta de estação solarimétrica de baixo custo que pode vir a ser utilizada para estudos futuros.Abstract: The worldwide increase in electricity demand is a result of technological and economic advances, leading to the development and adoption of new energy sources. Among these, photovoltaic energy is of particular interest. Alongside the development of photovoltaic generation systems challenges emerge, noticeably related to their intermittent production which, in turn, is strongly dependent on environmental, climatic, and meteorological factors. The inconstant energy production of these systems can result in reliability, safety, and planning problems for power producers, distributors and consumers. In order to increase the reliability of the system as a whole, one alternative is to adopt approaches to forecast the expected amount of energy in photovoltaic systems. This work aims to study, employ and compare forecasting strategies based on Machine Learning for photovoltaic systems. These investigations are performed based on data collected by a solarimetric station composed of specific sensors. The strategies under investigation can be broadly divided into two categories: (i) individual method-based strategies and (ii) ensemble-based strategies. In the first case, the individual performance of different methods was investigated, considering variations in their parameters and in the subsets of attributes used in the problem description. In the second case, the use of ensembles was investigated. In this setting, methods were trained/applied based on the daily weather characteristics, in order to obtain targeted and accurate forecasts. The comparison of individual models suggests better results with the use of Artificial Neural Networks, specifically with the use of Multilayer Perceptron (MLP). Ensemble strategies showed better results when compared to the individual models. In particular, the best results were observed when ensembles were employed together with Fuzzy Sets to performing the categorization of days. The work also presents a proposal for a low-cost solarimetric station that can be used for future studies.110 p.| il.porSistemas eletrônicosSistemas de energia fotovoltaicaAprendizado do computadorGeração de energia fotovoltaicaAprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPESE0012-D.pdfPESE0012-D.pdfapplication/pdf9325479https://repositorio.ufsc.br/bitstream/123456789/229356/-1/PESE0012-D.pdfd05cda49bde22cd58c364a2070aac384MD5-1123456789/2293562021-10-14 16:32:47.748oai:repositorio.ufsc.br:123456789/229356Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732021-10-14T19:32:47Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
title Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
spellingShingle Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
Pelisson, Angelo Abdallah
Sistemas eletrônicos
Sistemas de energia fotovoltaica
Aprendizado do computador
Geração de energia fotovoltaica
title_short Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
title_full Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
title_fullStr Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
title_full_unstemmed Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
title_sort Aprendizado de máquina para previsão de geração de energia fotovoltaica em dados de estações solarimétricas
author Pelisson, Angelo Abdallah
author_facet Pelisson, Angelo Abdallah
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Pelisson, Angelo Abdallah
dc.contributor.advisor1.fl_str_mv Jaskowiak, Pablo Andretta
dc.contributor.advisor-co1.fl_str_mv Spengler, Anderson Wedderhoff
contributor_str_mv Jaskowiak, Pablo Andretta
Spengler, Anderson Wedderhoff
dc.subject.classification.none.fl_str_mv Sistemas eletrônicos
Sistemas de energia fotovoltaica
Aprendizado do computador
Geração de energia fotovoltaica
topic Sistemas eletrônicos
Sistemas de energia fotovoltaica
Aprendizado do computador
Geração de energia fotovoltaica
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2021.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-10-14T19:32:47Z
dc.date.available.fl_str_mv 2021-10-14T19:32:47Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/229356
dc.identifier.other.none.fl_str_mv 373104
identifier_str_mv 373104
url https://repositorio.ufsc.br/handle/123456789/229356
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 110 p.| il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/229356/-1/PESE0012-D.pdf
bitstream.checksum.fl_str_mv d05cda49bde22cd58c364a2070aac384
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805266547867648

Similar Items