Photovoltaic forecasting with artificil neural networks
Autor(a) principal: | |
---|---|
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 |