Photovoltaic forecasting with artificil neural networks

Detalhes bibliográficos
Autor(a) principal: Vaz, André Gabriel Casaca de Rocha
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/11405
Resumo: Tese de mestrado em Engenharia da Energia e do Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014
id RCAP_5b7002da56baa1d5e14a61e84346e998
oai_identifier_str oai:repositorio.ul.pt:10451/11405
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Photovoltaic forecasting with artificil neural networksFotovoltaicoRedes neuronais artificiaisModelo NARXPrevisão de séries temporaisTeses de mestrado - 2014Tese de mestrado em Engenharia da Energia e do Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014São necessários esforços adicionais para promover a utilização de sistemas de produção de energia fotovoltaica conectados à rede como uma fonte fundamental de sistemas de energia elétrica, em níveis de penetrações mais elevados. Nesta tese é abordada a variabilidade da geração elétrica por sistemas fotovoltaicos e é desenvolvida com base na premissa de que o desempenho e a gestão de pequenas redes elétricas podem ser melhorados quando são utilizadas as informações de previsão de energia solar. É implementado um sistema de arquitetura de rede neuronal para o modelo auto-regressivo não-linear com variáveis exógenas (NARX) utilizando, não só, dados meteorológicos locais, mas também medições de sistemas fotovoltaicos circunjacentes. Diferentes configurações de entrada são otimizadas e comparadas para avaliar os efeitos no desempenho do modelo para previsão. A precisão das previsões revelou melhoria quando lhe são adicionadas informações de sistemas fotovoltaicos circunjacentes. Após ser selecionada a configuração de entrada da rede com o melhor desempenho, são testadas previsões com várias horas de antecedência e comparadas com o modelo da persistência, para verificar a precisão do modelo na previsão de diferentes horizontes temporais de curto prazo. O modelo NARX superou, claramente, o modelo de persistência, resultando num RMSE de 3,7% e de 4,5% aquando da antecipação das previsões de 5min e 2h30min, respetivamente.Additional efforts are required to promote the use of grid-connected photovoltaic (PV) systems as a fundamental source in electric power systems at the higher penetration levels. This thesis addresses the variability of PV electric generation and is built based on the premise that the performance and management of small electric networks can be improved when solar power forecast information is used. A neural network architecture system for the Nonlinear Autoregressive with eXogenous inputs (NARX) model is implemented using not only local meteorological data but also measurements of neighbouring PV systems. Input configurations are optimized and compared to assess the effects in the model forecasting performance. The added value of the information of the neighbouring PV systems has demonstrated to further improve the prediction accuracy. After selecting the input configuration with the best network performance, forecasts up to several hours in advance are tested to verify the model forecasting accuracy for different short-term time horizons and compared with the persistence model. The NARX model clearly outperformed the persistence model and yielded a 3.7% and a 4.5% RMSE for the anticipation of the 5min and 2h30 forecasts, respectively.Van Sark, WilfriedBrito, Miguel CentenoRepositório da Universidade de LisboaVaz, André Gabriel Casaca de Rocha2014-07-07T13:34:07Z20142014-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/11405TID:201291851enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T15:57:33Zoai:repositorio.ul.pt:10451/11405Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:35:06.594433Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Photovoltaic forecasting with artificil neural networks
title Photovoltaic forecasting with artificil neural networks
spellingShingle Photovoltaic forecasting with artificil neural networks
Vaz, André Gabriel Casaca de Rocha
Fotovoltaico
Redes neuronais artificiais
Modelo NARX
Previsão de séries temporais
Teses de mestrado - 2014
title_short Photovoltaic forecasting with artificil neural networks
title_full Photovoltaic forecasting with artificil neural networks
title_fullStr Photovoltaic forecasting with artificil neural networks
title_full_unstemmed Photovoltaic forecasting with artificil neural networks
title_sort Photovoltaic forecasting with artificil neural networks
author Vaz, André Gabriel Casaca de Rocha
author_facet Vaz, André Gabriel Casaca de Rocha
author_role author
dc.contributor.none.fl_str_mv Van Sark, Wilfried
Brito, Miguel Centeno
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Vaz, André Gabriel Casaca de Rocha
dc.subject.por.fl_str_mv Fotovoltaico
Redes neuronais artificiais
Modelo NARX
Previsão de séries temporais
Teses de mestrado - 2014
topic Fotovoltaico
Redes neuronais artificiais
Modelo NARX
Previsão de séries temporais
Teses de mestrado - 2014
description Tese de mestrado em Engenharia da Energia e do Ambiente, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014
publishDate 2014
dc.date.none.fl_str_mv 2014-07-07T13:34:07Z
2014
2014-01-01T00:00:00Z
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 http://hdl.handle.net/10451/11405
TID:201291851
url http://hdl.handle.net/10451/11405
identifier_str_mv TID:201291851
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134247612579840

Registros relacionados