Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMT |
Texto Completo: | http://ri.ufmt.br/handle/1/2711 |
Resumo: | This work presents the studies realized to estimate the electric energy by a photovoltaic system connected to the grid, using artificial neural networks as a tool – RNA. To this end, eight different cases were implemented, with the inputs of the artificial neural network as the environmental variables. The answer of the artificial neural network is the estimated photovoltaic electric energy generation. The applied model of artificial neural network and the training are functions available in the software MATLAB. To be able to make estimates, RNA needs to be trained to "learn" how to respond to the environment. In the training of the artificial neural network were used the data of climatic variables: ambient temperature, relative humidity, wind speed and solar irradiation. Besides the climatic variables, the temperature of the photovoltaic panel was also used. The structure of the artificial neural network used was feedfoward backpropagation with Levenberg Marquardt learning algorithm, with two hidden layers, the first layer using logsig activation function and the second tansig, each with four neurons. The estimations of the generation of photovoltaic electric energy were carried out with environmental data of the meteorological station of the FAET, in the own place of the study, and of the automatic meteorological station of INMET, that is located around five kilometers of the place of study. To verify the performance of each estimated case, comparisons were made considering data at five minute and one hour intervals for the environmental data from the FAET station. Comparisons between estimates with data from the two stations at one hour intervals. Comparisons were also made including or not the panel temperature as input from the neural network. As a main result we have that the estimates are better when the data with an interval of one hour and with the data of the meteorological station of the FAET are used. It was also found that in most of the estimated cases, those who considered the surface temperature of the panel achieved better results. |
id |
UFMT_0760de61cea7ed728eb4b6f7d047dc05 |
---|---|
oai_identifier_str |
oai:localhost:1/2711 |
network_acronym_str |
UFMT |
network_name_str |
Repositório Institucional da UFMT |
repository_id_str |
|
spelling |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiaisRedes neurais artificiaisBackpropagationGeração de energia elétrica fotovoltaicaCNPQ::ENGENHARIASEstimationArtificial neural networksGeneration of photovoltaic electric energyThis work presents the studies realized to estimate the electric energy by a photovoltaic system connected to the grid, using artificial neural networks as a tool – RNA. To this end, eight different cases were implemented, with the inputs of the artificial neural network as the environmental variables. The answer of the artificial neural network is the estimated photovoltaic electric energy generation. The applied model of artificial neural network and the training are functions available in the software MATLAB. To be able to make estimates, RNA needs to be trained to "learn" how to respond to the environment. In the training of the artificial neural network were used the data of climatic variables: ambient temperature, relative humidity, wind speed and solar irradiation. Besides the climatic variables, the temperature of the photovoltaic panel was also used. The structure of the artificial neural network used was feedfoward backpropagation with Levenberg Marquardt learning algorithm, with two hidden layers, the first layer using logsig activation function and the second tansig, each with four neurons. The estimations of the generation of photovoltaic electric energy were carried out with environmental data of the meteorological station of the FAET, in the own place of the study, and of the automatic meteorological station of INMET, that is located around five kilometers of the place of study. To verify the performance of each estimated case, comparisons were made considering data at five minute and one hour intervals for the environmental data from the FAET station. Comparisons between estimates with data from the two stations at one hour intervals. Comparisons were also made including or not the panel temperature as input from the neural network. As a main result we have that the estimates are better when the data with an interval of one hour and with the data of the meteorological station of the FAET are used. It was also found that in most of the estimated cases, those who considered the surface temperature of the panel achieved better results.CAPESEste trabalho apresenta os estudos realizados para estimar a energia elétrica produzida por um sistema fotovoltaico conectado à rede, utilizando como ferramenta as redes neurais artificiais - RNA. Com esta finalidade foram implementados oito casos diferentes, apresentando como entradas da rede neural artificial as variáveis ambientais. A resposta da rede neural artificial é a estimação da geração de energia elétrica fotovoltaica. O modelo utilizado de rede neural artificial e do treinamento fazem parte das funções disponíveis no software MATLAB. Para poder realizar as estimações, a RNA precisa ser treinada para “aprender” a responder ao ambiente. No treinamento da rede neural artificial foram utilizados os dados das variáveis ambientais: temperatura ambiente, umidade relativa, velocidade do vento e irradiação solar. Além das variáveis ambientais provenientes de duas estações meteorológicas distintas, também foi utilizada a temperatura do painel fotovoltaico como entrada da rede neural artificial. A estrutura da rede neural artificial utilizada foi a feed-foward backpropagation com algoritmo de aprendizagem Levenberg Marquardt, com duas camadas escondidas, a primeira camada utilizando função de ativação logsig e a segunda tansig, cada uma com quatro neurônios. As estimações da geração de energia elétrica fotovoltaica foram realizadas com dados ambientais coletados da estação meteorológica da FAET, no próprio local do estudo, e da estação meteorológica automática do INMET, que se encontra localizado aproximadamente a cinco quilômetros do local de estudo. Para verificação do desempenho de cada um dos oito casos estimados, foram feitas comparações considerando dados obtidos em intervalos de cinco minutos e de uma hora para os dados climáticos das duas estações. Também foram realizadas comparações desconsiderando a temperatura do painel e incluindo esta variável como entrada da rede neural. Como resultado principal tem-se que as estimações se apresentam melhores quando são utilizados os dados com intervalo de uma hora e com os dados da estação meteorológica da FAET. Constatou-se também, que na maioria dos casos estimados, os que consideraram a temperatura superficial do painel alcançaram melhores resultados.Universidade Federal de Mato GrossoBrasilFaculdade de Arquitetura, Engenharia e Tecnologia (FAET)UFMT CUC - CuiabáPrograma de Pós-Graduação em Engenharia de Edificações e AmbientalCarvalho, Bismarck Castillohttp://lattes.cnpq.br/2180264251226964Carvalho, Bismarck Castillo870.672.858-87http://lattes.cnpq.br/2180264251226964Minussi, Carlos Roberto143.191.790-72http://lattes.cnpq.br/7166279400544764870.672.858-87Apolonio, Roberto143.070.491-87http://lattes.cnpq.br/5880079059563975Callejas, Ivan Julio Apolonio622.632.771-53http://lattes.cnpq.br/7395380953207614Santilio, Fabricio Parra720.788.201-72http://lattes.cnpq.br/6243185773826554Monteiro, Raul Vitor Arantes065.246.641-91http://lattes.cnpq.br/0979754533543060Bianchi, Ermete Cauduro2021-08-09T15:46:25Z2018-04-272021-08-09T15:46:25Z2018-02-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisBIANCHI, Ermete Cauduro. Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais. 2018. 127 f. Dissertação (Mestrado em Engenharia de Edificações e Ambiental) - Universidade Federal de Mato Grosso, Faculdade de Arquitetura, Engenharia e Tecnologia, Cuiabá, 2018.http://ri.ufmt.br/handle/1/2711porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMTinstname:Universidade Federal de Mato Grosso (UFMT)instacron:UFMT2021-08-14T07:01:09Zoai:localhost:1/2711Repositório InstitucionalPUBhttp://ri.ufmt.br/oai/requestjordanbiblio@gmail.comopendoar:2021-08-14T07:01:09Repositório Institucional da UFMT - Universidade Federal de Mato Grosso (UFMT)false |
dc.title.none.fl_str_mv |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
title |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
spellingShingle |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais Bianchi, Ermete Cauduro Redes neurais artificiais Backpropagation Geração de energia elétrica fotovoltaica CNPQ::ENGENHARIAS Estimation Artificial neural networks Generation of photovoltaic electric energy |
title_short |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
title_full |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
title_fullStr |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
title_full_unstemmed |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
title_sort |
Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais |
author |
Bianchi, Ermete Cauduro |
author_facet |
Bianchi, Ermete Cauduro |
author_role |
author |
dc.contributor.none.fl_str_mv |
Carvalho, Bismarck Castillo http://lattes.cnpq.br/2180264251226964 Carvalho, Bismarck Castillo 870.672.858-87 http://lattes.cnpq.br/2180264251226964 Minussi, Carlos Roberto 143.191.790-72 http://lattes.cnpq.br/7166279400544764 870.672.858-87 Apolonio, Roberto 143.070.491-87 http://lattes.cnpq.br/5880079059563975 Callejas, Ivan Julio Apolonio 622.632.771-53 http://lattes.cnpq.br/7395380953207614 Santilio, Fabricio Parra 720.788.201-72 http://lattes.cnpq.br/6243185773826554 Monteiro, Raul Vitor Arantes 065.246.641-91 http://lattes.cnpq.br/0979754533543060 |
dc.contributor.author.fl_str_mv |
Bianchi, Ermete Cauduro |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Backpropagation Geração de energia elétrica fotovoltaica CNPQ::ENGENHARIAS Estimation Artificial neural networks Generation of photovoltaic electric energy |
topic |
Redes neurais artificiais Backpropagation Geração de energia elétrica fotovoltaica CNPQ::ENGENHARIAS Estimation Artificial neural networks Generation of photovoltaic electric energy |
description |
This work presents the studies realized to estimate the electric energy by a photovoltaic system connected to the grid, using artificial neural networks as a tool – RNA. To this end, eight different cases were implemented, with the inputs of the artificial neural network as the environmental variables. The answer of the artificial neural network is the estimated photovoltaic electric energy generation. The applied model of artificial neural network and the training are functions available in the software MATLAB. To be able to make estimates, RNA needs to be trained to "learn" how to respond to the environment. In the training of the artificial neural network were used the data of climatic variables: ambient temperature, relative humidity, wind speed and solar irradiation. Besides the climatic variables, the temperature of the photovoltaic panel was also used. The structure of the artificial neural network used was feedfoward backpropagation with Levenberg Marquardt learning algorithm, with two hidden layers, the first layer using logsig activation function and the second tansig, each with four neurons. The estimations of the generation of photovoltaic electric energy were carried out with environmental data of the meteorological station of the FAET, in the own place of the study, and of the automatic meteorological station of INMET, that is located around five kilometers of the place of study. To verify the performance of each estimated case, comparisons were made considering data at five minute and one hour intervals for the environmental data from the FAET station. Comparisons between estimates with data from the two stations at one hour intervals. Comparisons were also made including or not the panel temperature as input from the neural network. As a main result we have that the estimates are better when the data with an interval of one hour and with the data of the meteorological station of the FAET are used. It was also found that in most of the estimated cases, those who considered the surface temperature of the panel achieved better results. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-04-27 2018-02-27 2021-08-09T15:46:25Z 2021-08-09T15:46:25Z |
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 |
BIANCHI, Ermete Cauduro. Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais. 2018. 127 f. Dissertação (Mestrado em Engenharia de Edificações e Ambiental) - Universidade Federal de Mato Grosso, Faculdade de Arquitetura, Engenharia e Tecnologia, Cuiabá, 2018. http://ri.ufmt.br/handle/1/2711 |
identifier_str_mv |
BIANCHI, Ermete Cauduro. Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando redes neurais artificiais. 2018. 127 f. Dissertação (Mestrado em Engenharia de Edificações e Ambiental) - Universidade Federal de Mato Grosso, Faculdade de Arquitetura, Engenharia e Tecnologia, Cuiabá, 2018. |
url |
http://ri.ufmt.br/handle/1/2711 |
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.publisher.none.fl_str_mv |
Universidade Federal de Mato Grosso Brasil Faculdade de Arquitetura, Engenharia e Tecnologia (FAET) UFMT CUC - Cuiabá Programa de Pós-Graduação em Engenharia de Edificações e Ambiental |
publisher.none.fl_str_mv |
Universidade Federal de Mato Grosso Brasil Faculdade de Arquitetura, Engenharia e Tecnologia (FAET) UFMT CUC - Cuiabá Programa de Pós-Graduação em Engenharia de Edificações e Ambiental |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMT instname:Universidade Federal de Mato Grosso (UFMT) instacron:UFMT |
instname_str |
Universidade Federal de Mato Grosso (UFMT) |
instacron_str |
UFMT |
institution |
UFMT |
reponame_str |
Repositório Institucional da UFMT |
collection |
Repositório Institucional da UFMT |
repository.name.fl_str_mv |
Repositório Institucional da UFMT - Universidade Federal de Mato Grosso (UFMT) |
repository.mail.fl_str_mv |
jordanbiblio@gmail.com |
_version_ |
1804648509300801536 |