Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos

Detalhes bibliográficos
Autor(a) principal: Santos, Leonardo Trigueiro dos
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/30667
Resumo: Orientador: Leandro dos Santos Coelho
id UFPR_75f92b665e720fbcd4de2236e054f5fc
oai_identifier_str oai:acervodigital.ufpr.br:1884/30667
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaCoelho, Leandro dos Santos, 1968-Santos, Leonardo Trigueiro dos2024-04-19T19:32:40Z2024-04-19T19:32:40Z2013https://hdl.handle.net/1884/30667Orientador: Leandro dos Santos CoelhoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 16/08/2010Inclui referênciasResumo: As fontes de energia eólica são reconhecidas por nao emitir resíduos na atmosfera mas apresentam algumas outras questões ambientais que nao podem ser negligenciadas, possuem benefícios sociais e sao economicamente competitivas, o que indica um crescimento na aplicacão desta tecnologia. A previsão da capacidade energetica gerada em parques eolicos, sendo principalmente orientada a viabilidade de instalaçao de novos parques eolicos, gerenciamento de sistemas e planejamento de manutencães, e de interesse dos operadores do sistema e companhias de energia eletrica. O objetivo geral deste trabalho e levantar o desempenho da maquina de vetor suporte otimizada pela evolucao diferencial na identificação das series de ventos, para avaliar a viabilidade do uso destas tecnicas na previsão a curto prazo da geracao de energia eletrica proveniente destas fontes eolicas. A tecnica a ser aplicada neste trabalho, a máquina de vetor suporte à mínimos quadrados (LS-SVM, do ingles Least squares support vector machine). Uma vertente da maquina de vetor suporte original que substitui as inequações da teoria original por equacães, torna o metodo atrativo computacionalmente.Buscando um refinamento do processo de aprendizado, a evolucão diferencial e utilizado em conjunto ao de regressao. Sabendo que em sua essencia, otimizar e maximizar uma propriedade desejada do sistema enquanto simultaneamente minimiza uma característica indesejavel. O que sao estas propriedades e quao efetivamente podem ser melhoradas depende do problema em questao. Dentre diversas opcães existentes, dadas as características da otimizacao a ser realizada, optou-se por uma vertente da evolucao diferencial (ED) idealizada por Price e Storn, pesquisadores da Universidade de Berkeley, que a desenvolveram para ser um otimizador versátil, confiavel e eficiente. Esta vertente e dita alto adaptativa por otimiza seus proprios parâmetros durante as iterações da ED e e conhecida SADE, do ingles Self-adaptive Differential Evolution. Para a realizacão dos testes com os algoritmos foram utilizadas Series temporais de ventos reais, medidas pelo (Research Laboratory of Renewable Energy ,RERL) em três localidades distintas nos Estados Unidos da America. Neste contexto, as series adotadas foram as seguintes: Barnstable, Orleans e Paxton. Os testes apontam bons resultados para uma previsaão um passo a frente mas naão obteve um bom resultado para uma previsãao N passos a frente mas e mostrado que com alguns ajustes das entradas e uma melhor analise da correlação do erro esse algoritmo tem potencial para vir a ser aplicado na identificaçao e previsao de series de ventos. Alguns fatores devem ser observados quanto a identificacao de sistemas em geral, como o fato do modelo matematico ser sempre uma representaçcãao aproximada. Portanto não existe um modelo unico e ideal para um sistema e sim famílias de modelos com características e desempenhos variados.Abstract: Electricity generation from wind sources has been recognized as environmentally friendly, socially beneficial and economically competitive, what increases the application of this technology. The predicted energy capacity generated in wind farms is primarily oriented according to the feasibility of the installation of new wind farms, systems management and maintenance planning, and also according to the interest of the system operators and power companies. The analysis and time series forecasting aim to understand, define and exploit the statistical dependence on sequentially sampled data. A goal is to be able to obtain some information about the time series, in order to perform the prediction of future values. A strand from the concepts of machine learning and statistical learning is the support vector machines and their variations, among them, the technique to be applied in this work: Least squares support vector machine (LS-SVM). One variant of support vector machine that replaces the original inequalities from the original theory with equalities, making the method computationally attractive. Besides looking for a refinement of the learning process, an optimization algorithm is used in addition to the regression. Knowing that in essence, to optimize is to maximize a desired property of the system, while simultaneously minimizing an undesirable characteristic. What these properties are and how effectively they can be improved depends on the problem at hand. Among a wide range of well known optimization algorithms, given the characteristics of the optimization to be performed, we opted for the algorithm developed by Price and Storn, called differential evolution. This optimizer was developed to be a versatile, reliable and also efficient one. Considering the unpredictable nature of the wind series, the study of heuristics and metaheuristics focused on these series prediction, becomes vital for the development and implementation of new technologies. For the tests with the algorithms we used time series of real winds, measured by the Research Laboratory of Renewable Energy (RERL), in three different locations in the United States: Barnstable, Orleans and Paxton. Some factors should be observed for the identification of systems in general, for example, the fact that the mathematical model is always an approximate representation. Therefore there is no ideal model for a system, but families of models varying in features and performances.76f. : il.application/pdfDisponível em formato digitalEnergia eólicaEnergia - ConsumoVentosEngenharia elétricaAbordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - LEONARDO TRIGUEIRO DOS SANTOS.pdfapplication/pdf2937381https://acervodigital.ufpr.br/bitstream/1884/30667/1/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdfc132fd7b31aba28fd60e525de3a02b7dMD51open accessTEXTR - D - LEONARDO TRIGUEIRO DOS SANTOS.pdf.txtExtracted Texttext/plain104398https://acervodigital.ufpr.br/bitstream/1884/30667/2/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdf.txtdd1f7882fa673af5f73d11e648531d88MD52open accessTHUMBNAILR - D - LEONARDO TRIGUEIRO DOS SANTOS.pdf.jpgGenerated Thumbnailimage/jpeg1184https://acervodigital.ufpr.br/bitstream/1884/30667/3/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdf.jpg920dbbaa537c0b50807df9c3bedcc156MD53open access1884/306672024-04-19 16:32:41.011open accessoai:acervodigital.ufpr.br:1884/30667Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-04-19T19:32:41Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
title Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
spellingShingle Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
Santos, Leonardo Trigueiro dos
Energia eólica
Energia - Consumo
Ventos
Engenharia elétrica
title_short Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
title_full Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
title_fullStr Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
title_full_unstemmed Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
title_sort Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos
author Santos, Leonardo Trigueiro dos
author_facet Santos, Leonardo Trigueiro dos
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Coelho, Leandro dos Santos, 1968-
dc.contributor.author.fl_str_mv Santos, Leonardo Trigueiro dos
contributor_str_mv Coelho, Leandro dos Santos, 1968-
dc.subject.por.fl_str_mv Energia eólica
Energia - Consumo
Ventos
Engenharia elétrica
topic Energia eólica
Energia - Consumo
Ventos
Engenharia elétrica
description Orientador: Leandro dos Santos Coelho
publishDate 2013
dc.date.issued.fl_str_mv 2013
dc.date.accessioned.fl_str_mv 2024-04-19T19:32:40Z
dc.date.available.fl_str_mv 2024-04-19T19:32:40Z
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 https://hdl.handle.net/1884/30667
url https://hdl.handle.net/1884/30667
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 76f. : il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/30667/1/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdf
https://acervodigital.ufpr.br/bitstream/1884/30667/2/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/30667/3/R%20-%20D%20-%20LEONARDO%20TRIGUEIRO%20DOS%20SANTOS.pdf.jpg
bitstream.checksum.fl_str_mv c132fd7b31aba28fd60e525de3a02b7d
dd1f7882fa673af5f73d11e648531d88
920dbbaa537c0b50807df9c3bedcc156
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860336017473536

Registros relacionados