Previsão de consumo de eletricidade para sistemas de autoconsumo solar
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2021 |
| Tipo de documento: | Dissertação |
| Idioma: | por |
| Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| Texto Completo: | http://hdl.handle.net/10451/53643 |
Resumo: | Tese de Mestrado Integrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de Ciências |
| id |
RCAP_8d18272a79364c270d77524100d3087b |
|---|---|
| oai_identifier_str |
oai:repositorio.ul.pt:10451/53643 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| repository_id_str |
7160 |
| spelling |
Previsão de consumo de eletricidade para sistemas de autoconsumo solarAutoconsumoPrevisãoSolarMachine LearningTeses de mestrado - 2022Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do AmbienteTese de Mestrado Integrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de CiênciasVivemos numa época de grandes mudanças sociais, políticas, tecnológicas, ambientais e energéticas, e é sobre este último sector que este trabalho se trata. Atualmente a sociedade moderna está a passar por uma transição energética sem precedentes na sua história, e isso deve se muito às condições ambientais em que o planeta se encontra. Muito debate tem sido feito a nível socio político e económico acerca desta transição e das metas para se atingir a neutralidade carbónica, mas as ações tomadas parecem sempre ser insuficientes para satisfazer metas estabelecidas. Contudo, Portugal tem sido um país exemplar neste sector, aumentando de forma significativa a implementação de geração de energias limpas e mais recentemente, neste ano de 2021 ter encerrado a sua última central que produzia energia através da queima de carvão. A instalação de painéis fotovoltaicos tem crescido bastante, de forma a permitir que as pessoas possam produzir a sua própria energia de forma ecológica. É precisamente aqui que este trabalho se insere, consistindo em desenvolver um modelo de aprendizagem inteligente desenvolvido em Python, de forma a fazer a previsão de autoconsumo no sector residencial. O trabalho é baseado em dados de produção solar, consumo e injeção na rede em kW. Estes dados estão organizados em intervalos temporais de 15 em 15 minutos, estão compreendidos entre 1 de outubro de 2019 e 29 de setembro de 2020, e são referentes a 200 casas escolhidas de forma aleatória ao longo do território continental português. Foram desenvolvidos 2 modelos de previsão para a geração, para o consumo e para o autoconsumo com o objetivo de realizar previsões para o dia seguinte, ou seja, 24 horas à frente, para cada período de resolução temporal de 15 minutos. O modelo da persistência serve de referência para aferir o desempenho de modelos mais sofisticados. O segundo modelo utilizado foi a Random Forest, que tem apresentado bons resultados quando utilizado para prever geração fotovoltaica. Por isso quis-se perceber melhor qual seria o seu comportamento quando aplicado a um modelo de autoconsumo para o dia seguinte. Este modelo baseia-se em pequenos modelos de decisão em árvore individuais que funcionam de forma independente entre si, sendo que o resultado do modelo, nos casos de problemas de regressão, é a média dos diferentes resultados. Random Forest é um algoritmo de Machine Learning (aprendizagem automatizada) que requer um período de treino e de teste, tendo-se utilizado 75% dos dados para treino e validação (3 semanas por mês) e 25% dos dados para testar a eficácia do modelo (a última semana de cada mês), de forma a ter em conta todas as épocas do ano e tornar o modelo mais robusto. Um dos objectivos deste trabalho é explorar qual a melhor forma de fazer previsão de autoconsumo utilizando o modelo Random Forest. Assim foram desenvolvidos 2 tipos de modelo, um direto que resulta do desenvolvimento do modelo diretamente assim como na geração e no consumo, e um indireto que resulta sa subtração de uma RF que prevê a geração por uma RF que prevê o consumo. Os resultados mostram que a abordagem com Random Forest permite melhorar o desempenho dos modelos de previsão da geração, consumo e autoconsumo em 17, 24,7 e 37,6 %, respetivamente, de acordo com a sua mediana. Podemos também concluir que a previsão direta do autoconsumo, em oposição à diferença da previsão de geração e consumo, permite melhorar o seu desempenho em 25,3 %.We live in a time of great social, political, technological, environmental and energy changes, and it is this last sector that this work is about. Currently, modern society is going through an energy transition unprecedented in its history, and this is due to the environmental conditions in which the planet finds itself. Much debate has been carried out at the socio-political and economic level about this transition and the goals to achieve carbon neutrality, but the actions taken always seem to be insufficient to achieve desire goals. However, Portugal has been an exemplary country in this sector, increasing in a quite expressly increase way the implementation of clean energy generation and more recently, in 2021, having closed its last plant that produced energy through burning coal. The installation of photovoltaic panels is increasing, to allow people to produce their own energy in an ecological way. It is precisely here that this work is inserted, consisting in developing an intelligent learning model developed in Python to forecast Self-Consumption in the residential sector. This work is based on data such as, photovoltaic production, consumption, and injection into the network in kW. These data are organized in time intervals of 15 in 15 minutes, are comprised between October 1 of 2019, and September 29 of 2020, and refers to 200 houses chosen randomly throughout the Portuguese mainland. Two prediction models were developed for PV, consumption and for self-consumption forecasting with the objective of making forecasts for the following day, or 24 hours ahead, for each 15 minutes time resolution period. The persistence model serves as a reference to measure the performance of more sophisticated models. The second model used was Random Forest, has shown good results when used to predict photovoltaic generation. Therefore, we wanted to better understand what its behavior would be when applied to a self-consumption model for the next day. This model is based on small individual decision tree models that work independently of each other, with the result of the model, in cases of regression problems, being the average of the different results. Random Forest is a Machine Learning algorithm that requires a period of training and testing, in this case, using 75% of the data for training and validation (3 weeks per month) and 25% of the data to test the effectiveness of the model (the last week of each month), to consider all seasons and make the model more robust. One of the goals of this work is to explore the best way to forecast self-consumption using Random Forest model. Thus two types of models were developed, a direct one that results from development of the model directly, as well as generation and consumption, and an indirect one that results from the subtraction of a RF that predicts generation and a RF that predicts consumption. The results show that the Random Forest approach improves the performance of forecasting models for generation, consumption, and self-consumption by 17, 24.7 and 35.3%, respectively, according to its median. We can also conclude that the direct forecast of self-consumption, as opposed to the difference between the forecast of generation and consumption, allows an improvement in performance by 25.3%Brito, Miguel CentenoSilva, Rodrigo Amaro eRepositório da Universidade de LisboaParracho, Emanuel Ricardo2022-07-04T17:59:36Z202220212022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/53643porinfo: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:RCAAP2023-11-08T16:59:38Zoai:repositorio.ul.pt:10451/53643Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:04:35.820848Repositório 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 |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| title |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| spellingShingle |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar Parracho, Emanuel Ricardo Autoconsumo Previsão Solar Machine Learning Teses de mestrado - 2022 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente |
| title_short |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| title_full |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| title_fullStr |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| title_full_unstemmed |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| title_sort |
Previsão de consumo de eletricidade para sistemas de autoconsumo solar |
| author |
Parracho, Emanuel Ricardo |
| author_facet |
Parracho, Emanuel Ricardo |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Brito, Miguel Centeno Silva, Rodrigo Amaro e Repositório da Universidade de Lisboa |
| dc.contributor.author.fl_str_mv |
Parracho, Emanuel Ricardo |
| dc.subject.por.fl_str_mv |
Autoconsumo Previsão Solar Machine Learning Teses de mestrado - 2022 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente |
| topic |
Autoconsumo Previsão Solar Machine Learning Teses de mestrado - 2022 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia do Ambiente |
| description |
Tese de Mestrado Integrado, Engenharia da Energia e Ambiente, 2022, Universidade de Lisboa, Faculdade de Ciências |
| publishDate |
2021 |
| dc.date.none.fl_str_mv |
2021 2022-07-04T17:59:36Z 2022 2022-01-01T00:00:00Z |
| 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/10451/53643 |
| url |
http://hdl.handle.net/10451/53643 |
| 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 |
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_ |
1799134597158535168 |