Utilização das redes neurais artificiais para previsão de radiação solar

Detalhes bibliográficos
Autor(a) principal: Oliveira, Gleidson Leno Silva
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional do IFPE
Texto Completo: https://repositorio.ifpe.edu.br/xmlui/handle/123456789/595
Resumo: O aproveitamento da energia solar obtida através de células solares instaladas em locais com boa incidência de radiação solar representa um grande potencial para a geração elétrica. Diante da grande difusão dessa tecnologia no Brasil, investigamoscomo a energia solar fotovoltaica gerada em uma planta pode ser prognosticada pormeio da correlação entre as grandezas físicas: temperatura e radiação. A energia solar exige um investimento relativamente alto por parte do consumidor residencial, comercial ou industrial, mas se apresenta como viável, pois consegue produzir economia na fatura mensal de consumo de energia elétrica após a sua instalação epleno funcionamento. Essa pesquisa aconteceu no âmbito do Programa de Bolsa de Iniciação Cientifica (PIBIC) elaborado no IFPE campus Pesqueira, com o objetivo de estudar como a temperatura ambiente influencia no comportamento da incidência de radiação solar durante um período determinado. Considerando que as técnicas de inteligência artificial fornecem ferramentas capazes de estimar dados de sistema complexos, utilizamos redes neurais artificiais (RNA) para a previsão da radiação deenergia solar, a partir dos dados disponibilizados pela usina solar do IFPE campus Pesqueira. Desenvolvemos vários experimentos para identificarmos a configuração mais adequada da rede. A rede neural artificial utilizada foi do tipo Multilayer Perceptron e a previsão foi feita utilizando a toolbox neural network do software Matlab. O resultado alcançado foi uma rede capaz de prever a radiação com base nos dados de temperatura com um percentual médio de erro de classificação de 1,21%, ou seja, um percentual de acertos de 98,79%.
id IFPE_b166bbf1127ec9aec9aeac93cd3952c3
oai_identifier_str oai:repositorio.ifpe.edu.br:123456789/595
network_acronym_str IFPE
network_name_str Repositório Institucional do IFPE
repository_id_str
spelling 2022-05-17T14:30:48Z2022-05-17T14:30:48Z2022-02-17OLIVEIRA, Gleidson Leno Silva. A Utilização das redes neurais artificiais para previsão de radiação solar. 2022. 16 f. Artigo (Bacharelado em física) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2022.https://repositorio.ifpe.edu.br/xmlui/handle/123456789/595O aproveitamento da energia solar obtida através de células solares instaladas em locais com boa incidência de radiação solar representa um grande potencial para a geração elétrica. Diante da grande difusão dessa tecnologia no Brasil, investigamoscomo a energia solar fotovoltaica gerada em uma planta pode ser prognosticada pormeio da correlação entre as grandezas físicas: temperatura e radiação. A energia solar exige um investimento relativamente alto por parte do consumidor residencial, comercial ou industrial, mas se apresenta como viável, pois consegue produzir economia na fatura mensal de consumo de energia elétrica após a sua instalação epleno funcionamento. Essa pesquisa aconteceu no âmbito do Programa de Bolsa de Iniciação Cientifica (PIBIC) elaborado no IFPE campus Pesqueira, com o objetivo de estudar como a temperatura ambiente influencia no comportamento da incidência de radiação solar durante um período determinado. Considerando que as técnicas de inteligência artificial fornecem ferramentas capazes de estimar dados de sistema complexos, utilizamos redes neurais artificiais (RNA) para a previsão da radiação deenergia solar, a partir dos dados disponibilizados pela usina solar do IFPE campus Pesqueira. Desenvolvemos vários experimentos para identificarmos a configuração mais adequada da rede. A rede neural artificial utilizada foi do tipo Multilayer Perceptron e a previsão foi feita utilizando a toolbox neural network do software Matlab. O resultado alcançado foi uma rede capaz de prever a radiação com base nos dados de temperatura com um percentual médio de erro de classificação de 1,21%, ou seja, um percentual de acertos de 98,79%.The use of solar energy obtained through solar cells installed in places with good incidence of solar radiation represents a great potential for electric generation. Given the great diffusion of this technology in Brazil, we investigated how the photovoltaic solar energy generated in a plant can be predicted through the correlation between the physical quantities: temperature and radiation. Solar energy requires a relatively high investment by the residential, commercial or industrial consumer, but it presents itself as viable, as it can produce savings in the monthly electricity consumption bill after its installation and full operation. This research took place within the scope of the Scientific Initiation Scholarship Program (PIBIC) developed at the IFPE campus Pesqueira, with the objective of studying how the ambient temperature influences the behavior of the incidence of solar radiation during a determined period. Considering that artificial intelligence techniques provide tools capable of estimating complex system data, we use artificial neural networks (ANN) to predict solar energy radiation, based on data provided by the IFPE campus Pesqueira solar plant. We developed several experiments to identify the most suitable configuration of the network. The artificial neural network used was of the Multilayer Perceptron type and the prediction was made using the neural network toolbox of the Matlab software. The result achieved was a network capable of predicting radiation based on temperature data with an average percentage of classification error of 1.21%, that is, a percentage of correct answers of 98.79%.16 p.ABEDIN, Zainal et al. A model for prediction of monthly solar radiation of different meterological locations of Bangladesh using artificial neural network data mining tool. 2017. Disponível em: <https://ieeexplore.ieee.org/document/7912993/>. Acesso em: 03 dez. 2021. ALANAZI, Mohana; ALANAZI, Abdulaziz; KHODAEI, Amin. Long-Term Solar Generation Forecasting.2016. Disponível em: <https://ieeexplore.ieee.org/document/7519883/>. Acesso em: 03 dez. 2021. ALZAHRANI, Ahmad et al. Solar Irradiance Forecasting Using Deep Recurrent Neural Networks. 2017. Disponível em: <https://ieeexplore.ieee.org/document/8191206/>. Acesso em: 03 dez. 2021. ANDERSON, William W.; YAKIMENKO, Oleg A. Using Neural Networks to Model and Forecast Solar PV Power Generation at Isle of Eigg. 2018. Disponível em: <https://ieeexplore.ieee.org/document/8372522/>. Acesso em: 03 dez. 2021. BARRETO, Jorge M. Introdução às Redes Neurais Artificiais. 2002. Disponível em: <http://www.inf.ufsc.br/~j.barreto/tutoriais/Survey.pdf>. Acesso em: 03 dez.2021. BECKER, Alex Jenaro; SILVA, Daiane Medianeira Ilha da. Noções básicas de programação em Matlab. Santa Maria, 2010. Disponível em: <http://w3.ufsm.br/petmatematica/images/minicursos/Apostilas/Apostila_Matl ab.pdf>. Acesso em: 20 jun. 2018. BROLESE, ROAN. PREVISÃO DE GERAÇÃO DE ENERGIA FOTOVOLTAICA UTILIZANDO MÉTODO DE APRENDIZADO DE MÁQUINA, UNIVERSIDADE DE CAXIAS DO SUL, ano2019, p. 14 - 82, ago. 2019. CARVALHO, Wanessa et al. Previsão de irradiação solar e temperatura do ar utilizando Redes Neurais Artificiais para a cidade de São Luís-MA, 9o CONGRESSO LUSO-BRASILEIRO PARA O PLANEJAMENTO URBANO, REGIONAL, INTEGRADO E SUSTENÁVEL (PLURIS 2021 DIGITAL) Pequenas cidades, grandes desafios, múltiplas oportunidades, ano 2021, p. 1 e 13, 7 abr. 2021. Disponível em: <https://pluris2020.faac.unesp.br/Paper817.pdf. Acesso em: 4 nov. 2021. CEPEL-CRESEB. Manual de Engenharia para Sistemas Fotovoltaicos. [S.l.], 2014. Disponível em: Acesso em: 19 nov. 2021. CHATURVEDI, D. K.; ISHA. Solar Power Forecasting: A Review. 2016.Disponível em: <https://pdfs.semanticscholar.org/a679/0993e18db1b5d488b161194fa07a3d5c1 39f.pdf>. Acesso em: 03 dez. 2021. Chatfield, C. The Analysis of Time Series–An Introduction. Chapman andHall, New York, 1989. CUSTÓDIO, Caio Amaral. Redes Neurais Artificiais e Teoria do Funcional da Densidade: otimização de funcionais para modelagem de nanomateriais. Universidade Estadual Paulista – UNESP Campus de Araraquara – Instituto de Química, Araraquara, p. 15 a 48, 6 set. 2019. Acesso em: 03 mar. 2022. DIENSTMANN, Gustavo. Energia solar, uma comparação de tecnologias. Porto Alegre, dez. 2009. FIORIN, Daniel et al. Aplicações de redesneurais e previsões de disponibilidade de recursos energéticos solares, [s. l.], 18 abr. 2011. GIGONI, Lorenzo et al. Day-Ahead Hourly Forecasting of Power Generation from Photovoltaic Plants. 2018. Acesso em:19 nov. 2021. GUARNIERI, Ricardo André. Emprego de redes neurais artificiais e regressão linear múltipla no refinamento das previsões de radiaçãosolar do modelo ETA. São José dos Campos, 12, 2006. HAYKIN, Simon. Redes Neurais - Princípios e práticas. 2. ed. Porto Alegre: Bookman, 2001. 908 p. Disponível em: <http://www.ncdd.com.br/livros/redes_neurais_simon_haykin.pdf>. Acesso em: 03 dez. 2021. HEBB, D. O. The Organization of Behavior: A Neuropsychological Theory.New York, USA: Wiley, 1949. Hecht-Nielsen, R. Neurocomputing. Addinson-Wesley Publishing Company, New York, 1990. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Atlas Brasileiro de Energia Solar. São José dos Campos: INPE, 2006. 64 p. JUNÍOR, Roberto Hilário Pereira; SANTOS, Leandro Pereira; SANTOS, Vanessa Cristina Lopes. Geração Distribuída: Sistema de cogeração fotovoltaico conectado à rede elétrica de baixa tensão. Disponível em: <https://semanaacademica.org.br/system/files/artigos/artigo_9.pdf>. Acesso em: 09 de jun. 2017. MAJUMDER, Irani; BEHERA, Manoja Kumar; NAYAK, Niranjan. Solar Power Forecasting Using a Hybrid EMD-ELM Method. 2017. Acesso em: 19 nov. 2021. MAJUMDER, Irani; BEHERA, Manoja Kumar; NAYAK, Niranjan. Solar Power Forecasting Using a Hybrid EMD-ELM Method. 2017. Disponível em: <https://ieeexplore.ieee.org/document/8074179/>. Acesso em: 03 set. 2018. MATLAB, Neural Network Toolbox, disponível em: <https://www.mathworks.com/programs/trials/trial_request.html?prodcode=NN>. Acessado em 1/2017. MATSUNAGA, Victoria Yukie. Curso de Redes Neurais utilizando o MATLAB. 2012. Disponível em: <http://www.muriloleal.com.br/visao/repositorio/centec/eai/ia//REDES%20NEURAIS %20-%20APOSTILA.pdf>. Acesso em: 03 dez. 2021. MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5,p. 115-113, 1943. OLIVEIRA, JHUAN. DESENVOLVIMENTO E TREINAMENTO DE REDES NEURAIS ARTIFICIAIS PARA PROCESSAMENTO DE DADOS DE RADIAÇÃO SOLAR, UNIVERSIDADE FEDERAL DE SANTA CATARINA, p. 04 a 36, 6 jul. 2017. PEREIRA, ANDRÉ B.; VRISMAN, AUGUSTO L.; GALVANI, EMERSON. Estimativa da radiação solar global diária em função do potencial de energia solar nasuperfície do solo. 2002. PEREIRA, E. B; Martins, F. R.; Abreu, S. L.; Rüther, R. 2006. Atlas brasileiro de energia solar. Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 60p. SHI, Jie et al. Forecasting Power Output of Photovoltaic System Based on Weather Classification and Support Vector Machine. 2011. Disponível em: <https://ieeexplore.ieee.org/document/6074294/>. Acesso em: 03 dez. 2021. SILVA, I. N. da. Redes neurais artificiais: para engenharia e ciênciasaplicadas. 2. ed. São Paulo: Person, 2016. SILVA, Renato Maia. Redes Neurais Artificiais aplicadas à Detecção de Intrusão em Redes TCP/IP. 2005. 144 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Centro Técnico Científica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2005. Cap. 4. Disponível em: <https://www.maxwell.vrac.puc- rio.br/7335/7335_5.PDF>. Acesso em: 03 dez.2021. SINGH, Vikas Pratap et al. Forecasting of 5MW Solar Photovoltaic Power Plant Generation Using Generalized Neural Network. 2015. Disponível em: <https://ieeexplore.ieee.org/document/7489107/>. Acesso em: 03 dez. 2021. SOUZA, Ramon Bezerra. Avaliação de modelos de inteligência artificial para previsão de velocidade de vento em curto prazo.Recife, 08, 2014. YANG, Zhengqiu; CAO, Yapei; XIU, Jiapeng. Power Generation Forecasting Model for Photovoltaic Array Based on Generic Algorithm and Bp Neural Network. 2014. Disponível em: . Acesso em: 19 nov. 2021.CIENCIAS EXATAS E DA TERRA::FISICAEnergia Solar FotovoltaicaRede neuralPrevisão da Radiação Solar e MatlabUtilização das redes neurais artificiais para previsão de radiação solarinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisSilva, Márcio Severino dahttp://lattes.cnpq.br/3494380160669054Silva, Oberlan daLima, José Roberto Tavares dehttp://lattes.cnpq.br/5470594003764583http://lattes.cnpq.br/5529513680269827http://lattes.cnpq.br/9222005408692027 http://lattes.cnpq.br/1423558922506666Oliveira, Gleidson Leno SilvaBrasilPesqueirainfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional do IFPEinstname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)instacron:IFPEORIGINALUtilização das redes neurais artificiais para previsão de radiação solar.pdfUtilização das redes neurais artificiais para previsão de radiação solar.pdfapplication/pdf530182https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/595/1/Utiliza%c3%a7%c3%a3o%20das%20redes%20neurais%20artificiais%20para%20previs%c3%a3o%20de%20radia%c3%a7%c3%a3o%20solar.pdfedae184b4b38a0e327cb03a786d09710MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/595/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/5952022-05-17 11:30:55.713oai:repositorio.ifpe.edu.br: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Repositório InstitucionalPUBhttps://repositorio.ifpe.edu.br/oai/requestrepositorioifpe@reitoria.ifpe.edu.bropendoar:2022-05-17T14:30:55Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)false
dc.title.pt_BR.fl_str_mv Utilização das redes neurais artificiais para previsão de radiação solar
title Utilização das redes neurais artificiais para previsão de radiação solar
spellingShingle Utilização das redes neurais artificiais para previsão de radiação solar
Oliveira, Gleidson Leno Silva
CIENCIAS EXATAS E DA TERRA::FISICA
Energia Solar Fotovoltaica
Rede neural
Previsão da Radiação Solar e Matlab
title_short Utilização das redes neurais artificiais para previsão de radiação solar
title_full Utilização das redes neurais artificiais para previsão de radiação solar
title_fullStr Utilização das redes neurais artificiais para previsão de radiação solar
title_full_unstemmed Utilização das redes neurais artificiais para previsão de radiação solar
title_sort Utilização das redes neurais artificiais para previsão de radiação solar
author Oliveira, Gleidson Leno Silva
author_facet Oliveira, Gleidson Leno Silva
author_role author
dc.contributor.advisor1.fl_str_mv Silva, Márcio Severino da
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/3494380160669054
dc.contributor.referee1.fl_str_mv Silva, Oberlan da
dc.contributor.referee2.fl_str_mv Lima, José Roberto Tavares de
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/5470594003764583
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/5529513680269827
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/9222005408692027 http://lattes.cnpq.br/1423558922506666
dc.contributor.author.fl_str_mv Oliveira, Gleidson Leno Silva
contributor_str_mv Silva, Márcio Severino da
Silva, Oberlan da
Lima, José Roberto Tavares de
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::FISICA
topic CIENCIAS EXATAS E DA TERRA::FISICA
Energia Solar Fotovoltaica
Rede neural
Previsão da Radiação Solar e Matlab
dc.subject.por.fl_str_mv Energia Solar Fotovoltaica
Rede neural
Previsão da Radiação Solar e Matlab
description O aproveitamento da energia solar obtida através de células solares instaladas em locais com boa incidência de radiação solar representa um grande potencial para a geração elétrica. Diante da grande difusão dessa tecnologia no Brasil, investigamoscomo a energia solar fotovoltaica gerada em uma planta pode ser prognosticada pormeio da correlação entre as grandezas físicas: temperatura e radiação. A energia solar exige um investimento relativamente alto por parte do consumidor residencial, comercial ou industrial, mas se apresenta como viável, pois consegue produzir economia na fatura mensal de consumo de energia elétrica após a sua instalação epleno funcionamento. Essa pesquisa aconteceu no âmbito do Programa de Bolsa de Iniciação Cientifica (PIBIC) elaborado no IFPE campus Pesqueira, com o objetivo de estudar como a temperatura ambiente influencia no comportamento da incidência de radiação solar durante um período determinado. Considerando que as técnicas de inteligência artificial fornecem ferramentas capazes de estimar dados de sistema complexos, utilizamos redes neurais artificiais (RNA) para a previsão da radiação deenergia solar, a partir dos dados disponibilizados pela usina solar do IFPE campus Pesqueira. Desenvolvemos vários experimentos para identificarmos a configuração mais adequada da rede. A rede neural artificial utilizada foi do tipo Multilayer Perceptron e a previsão foi feita utilizando a toolbox neural network do software Matlab. O resultado alcançado foi uma rede capaz de prever a radiação com base nos dados de temperatura com um percentual médio de erro de classificação de 1,21%, ou seja, um percentual de acertos de 98,79%.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-05-17T14:30:48Z
dc.date.available.fl_str_mv 2022-05-17T14:30:48Z
dc.date.issued.fl_str_mv 2022-02-17
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv OLIVEIRA, Gleidson Leno Silva. A Utilização das redes neurais artificiais para previsão de radiação solar. 2022. 16 f. Artigo (Bacharelado em física) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2022.
dc.identifier.uri.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/handle/123456789/595
identifier_str_mv OLIVEIRA, Gleidson Leno Silva. A Utilização das redes neurais artificiais para previsão de radiação solar. 2022. 16 f. Artigo (Bacharelado em física) Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira, 2022.
url https://repositorio.ifpe.edu.br/xmlui/handle/123456789/595
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv ABEDIN, Zainal et al. A model for prediction of monthly solar radiation of different meterological locations of Bangladesh using artificial neural network data mining tool. 2017. Disponível em: <https://ieeexplore.ieee.org/document/7912993/>. Acesso em: 03 dez. 2021. ALANAZI, Mohana; ALANAZI, Abdulaziz; KHODAEI, Amin. Long-Term Solar Generation Forecasting.2016. Disponível em: <https://ieeexplore.ieee.org/document/7519883/>. Acesso em: 03 dez. 2021. ALZAHRANI, Ahmad et al. Solar Irradiance Forecasting Using Deep Recurrent Neural Networks. 2017. Disponível em: <https://ieeexplore.ieee.org/document/8191206/>. Acesso em: 03 dez. 2021. ANDERSON, William W.; YAKIMENKO, Oleg A. Using Neural Networks to Model and Forecast Solar PV Power Generation at Isle of Eigg. 2018. Disponível em: <https://ieeexplore.ieee.org/document/8372522/>. Acesso em: 03 dez. 2021. BARRETO, Jorge M. Introdução às Redes Neurais Artificiais. 2002. Disponível em: <http://www.inf.ufsc.br/~j.barreto/tutoriais/Survey.pdf>. Acesso em: 03 dez.2021. BECKER, Alex Jenaro; SILVA, Daiane Medianeira Ilha da. Noções básicas de programação em Matlab. Santa Maria, 2010. Disponível em: <http://w3.ufsm.br/petmatematica/images/minicursos/Apostilas/Apostila_Matl ab.pdf>. Acesso em: 20 jun. 2018. BROLESE, ROAN. PREVISÃO DE GERAÇÃO DE ENERGIA FOTOVOLTAICA UTILIZANDO MÉTODO DE APRENDIZADO DE MÁQUINA, UNIVERSIDADE DE CAXIAS DO SUL, ano2019, p. 14 - 82, ago. 2019. CARVALHO, Wanessa et al. Previsão de irradiação solar e temperatura do ar utilizando Redes Neurais Artificiais para a cidade de São Luís-MA, 9o CONGRESSO LUSO-BRASILEIRO PARA O PLANEJAMENTO URBANO, REGIONAL, INTEGRADO E SUSTENÁVEL (PLURIS 2021 DIGITAL) Pequenas cidades, grandes desafios, múltiplas oportunidades, ano 2021, p. 1 e 13, 7 abr. 2021. Disponível em: <https://pluris2020.faac.unesp.br/Paper817.pdf. Acesso em: 4 nov. 2021. CEPEL-CRESEB. Manual de Engenharia para Sistemas Fotovoltaicos. [S.l.], 2014. Disponível em: Acesso em: 19 nov. 2021. CHATURVEDI, D. K.; ISHA. Solar Power Forecasting: A Review. 2016.Disponível em: <https://pdfs.semanticscholar.org/a679/0993e18db1b5d488b161194fa07a3d5c1 39f.pdf>. Acesso em: 03 dez. 2021. Chatfield, C. The Analysis of Time Series–An Introduction. Chapman andHall, New York, 1989. CUSTÓDIO, Caio Amaral. Redes Neurais Artificiais e Teoria do Funcional da Densidade: otimização de funcionais para modelagem de nanomateriais. Universidade Estadual Paulista – UNESP Campus de Araraquara – Instituto de Química, Araraquara, p. 15 a 48, 6 set. 2019. Acesso em: 03 mar. 2022. DIENSTMANN, Gustavo. Energia solar, uma comparação de tecnologias. Porto Alegre, dez. 2009. FIORIN, Daniel et al. Aplicações de redesneurais e previsões de disponibilidade de recursos energéticos solares, [s. l.], 18 abr. 2011. GIGONI, Lorenzo et al. Day-Ahead Hourly Forecasting of Power Generation from Photovoltaic Plants. 2018. Acesso em:19 nov. 2021. GUARNIERI, Ricardo André. Emprego de redes neurais artificiais e regressão linear múltipla no refinamento das previsões de radiaçãosolar do modelo ETA. São José dos Campos, 12, 2006. HAYKIN, Simon. Redes Neurais - Princípios e práticas. 2. ed. Porto Alegre: Bookman, 2001. 908 p. Disponível em: <http://www.ncdd.com.br/livros/redes_neurais_simon_haykin.pdf>. Acesso em: 03 dez. 2021. HEBB, D. O. The Organization of Behavior: A Neuropsychological Theory.New York, USA: Wiley, 1949. Hecht-Nielsen, R. Neurocomputing. Addinson-Wesley Publishing Company, New York, 1990. INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Atlas Brasileiro de Energia Solar. São José dos Campos: INPE, 2006. 64 p. JUNÍOR, Roberto Hilário Pereira; SANTOS, Leandro Pereira; SANTOS, Vanessa Cristina Lopes. Geração Distribuída: Sistema de cogeração fotovoltaico conectado à rede elétrica de baixa tensão. Disponível em: <https://semanaacademica.org.br/system/files/artigos/artigo_9.pdf>. Acesso em: 09 de jun. 2017. MAJUMDER, Irani; BEHERA, Manoja Kumar; NAYAK, Niranjan. Solar Power Forecasting Using a Hybrid EMD-ELM Method. 2017. Acesso em: 19 nov. 2021. MAJUMDER, Irani; BEHERA, Manoja Kumar; NAYAK, Niranjan. Solar Power Forecasting Using a Hybrid EMD-ELM Method. 2017. Disponível em: <https://ieeexplore.ieee.org/document/8074179/>. Acesso em: 03 set. 2018. MATLAB, Neural Network Toolbox, disponível em: <https://www.mathworks.com/programs/trials/trial_request.html?prodcode=NN>. Acessado em 1/2017. MATSUNAGA, Victoria Yukie. Curso de Redes Neurais utilizando o MATLAB. 2012. Disponível em: <http://www.muriloleal.com.br/visao/repositorio/centec/eai/ia//REDES%20NEURAIS %20-%20APOSTILA.pdf>. Acesso em: 03 dez. 2021. MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5,p. 115-113, 1943. OLIVEIRA, JHUAN. DESENVOLVIMENTO E TREINAMENTO DE REDES NEURAIS ARTIFICIAIS PARA PROCESSAMENTO DE DADOS DE RADIAÇÃO SOLAR, UNIVERSIDADE FEDERAL DE SANTA CATARINA, p. 04 a 36, 6 jul. 2017. PEREIRA, ANDRÉ B.; VRISMAN, AUGUSTO L.; GALVANI, EMERSON. Estimativa da radiação solar global diária em função do potencial de energia solar nasuperfície do solo. 2002. PEREIRA, E. B; Martins, F. R.; Abreu, S. L.; Rüther, R. 2006. Atlas brasileiro de energia solar. Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 60p. SHI, Jie et al. Forecasting Power Output of Photovoltaic System Based on Weather Classification and Support Vector Machine. 2011. Disponível em: <https://ieeexplore.ieee.org/document/6074294/>. Acesso em: 03 dez. 2021. SILVA, I. N. da. Redes neurais artificiais: para engenharia e ciênciasaplicadas. 2. ed. São Paulo: Person, 2016. SILVA, Renato Maia. Redes Neurais Artificiais aplicadas à Detecção de Intrusão em Redes TCP/IP. 2005. 144 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Centro Técnico Científica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2005. Cap. 4. Disponível em: <https://www.maxwell.vrac.puc- rio.br/7335/7335_5.PDF>. Acesso em: 03 dez.2021. SINGH, Vikas Pratap et al. Forecasting of 5MW Solar Photovoltaic Power Plant Generation Using Generalized Neural Network. 2015. Disponível em: <https://ieeexplore.ieee.org/document/7489107/>. Acesso em: 03 dez. 2021. SOUZA, Ramon Bezerra. Avaliação de modelos de inteligência artificial para previsão de velocidade de vento em curto prazo.Recife, 08, 2014. YANG, Zhengqiu; CAO, Yapei; XIU, Jiapeng. Power Generation Forecasting Model for Photovoltaic Array Based on Generic Algorithm and Bp Neural Network. 2014. Disponível em: . Acesso em: 19 nov. 2021.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 16 p.
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Pesqueira
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFPE
instname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron:IFPE
instname_str Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron_str IFPE
institution IFPE
reponame_str Repositório Institucional do IFPE
collection Repositório Institucional do IFPE
bitstream.url.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/595/1/Utiliza%c3%a7%c3%a3o%20das%20redes%20neurais%20artificiais%20para%20previs%c3%a3o%20de%20radia%c3%a7%c3%a3o%20solar.pdf
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/595/2/license.txt
bitstream.checksum.fl_str_mv edae184b4b38a0e327cb03a786d09710
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
repository.mail.fl_str_mv repositorioifpe@reitoria.ifpe.edu.br
_version_ 1801503725471137792

Registros relacionados