Neural Networks for Solar Panels Efficiency Prediction

Detalhes bibliográficos
Autor(a) principal: Franco, Lúcio Pereira
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/248592
Resumo: Somente em 2018, mais de 100 GW em novos painéis solares foram instalados no mundo. Mesmo que essa fonte energética seja benéfica para o meio ambiente, muitas organizações enfrentam dificuldades em implementá-la devido à sua geração de energia inconsistente. Essa inconsistência cria flutuações de energia que podem sobrecarregar a rede elétrica ou complicar o cálculo da demanda de energia. Esse trabalho propõe uma abordagem usando dados distribuídos e aprendizagem de máquina para reduzir esses riscos. Para isso, nós implementamos modelos de redes neurais para analisarem dados que relacionam a eficiência de painéis solares com condições climáticas. Companhias podem usar nossa abordagem e modelos para prever a energia que será gerada no próximo dia e se programar melhor para flutuações de energia. Os resultados mostram que a nossa abordagem atingiu níveis de precisão prósperos, tendo menos de 10% de erro absoluto em suas medições em alguns cenários estudados.
id UFRGS-2_c113b54e60fb5e90c7235bd218cb5f0d
oai_identifier_str oai:www.lume.ufrgs.br:10183/248592
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Franco, Lúcio PereiraThom, Lucinéia HeloisaHirmer, pascal2022-09-10T05:13:45Z2022http://hdl.handle.net/10183/248592001148928Somente em 2018, mais de 100 GW em novos painéis solares foram instalados no mundo. Mesmo que essa fonte energética seja benéfica para o meio ambiente, muitas organizações enfrentam dificuldades em implementá-la devido à sua geração de energia inconsistente. Essa inconsistência cria flutuações de energia que podem sobrecarregar a rede elétrica ou complicar o cálculo da demanda de energia. Esse trabalho propõe uma abordagem usando dados distribuídos e aprendizagem de máquina para reduzir esses riscos. Para isso, nós implementamos modelos de redes neurais para analisarem dados que relacionam a eficiência de painéis solares com condições climáticas. Companhias podem usar nossa abordagem e modelos para prever a energia que será gerada no próximo dia e se programar melhor para flutuações de energia. Os resultados mostram que a nossa abordagem atingiu níveis de precisão prósperos, tendo menos de 10% de erro absoluto em suas medições em alguns cenários estudados.In 2018, more than 100GW worth of solar panels were installed worldwide. The in crease in solar energy systems is beneficial for the environment, but some companies have trouble implementing it given its inconsistent generations of energy. This inconsistency creates energy fluctuations that can overcharge the electrical grid or complicate load de mand predictions. This work proposes an approach that uses distributed data and machine learning to reduce these risks by making these energy fluctuations more predictable. We implemented neural network models to evaluate data that connects solar panels’ efficiency with weather conditions. Companies and Smart Grid operators can use our approach and models with forecasting data to predict the next-day solar energy generation and adapt decisions considering fluctuations. Results show that our application achieved with an absolute error of less than 10% in some studied cases.application/pdfporAprendizado de máquinaRedes neuraisPainel solar fotovoltaicoMachine LearningNeural NetworksSolar EnergyPhotovoltaic SystemsNeural Networks for Solar Panels Efficiency Predictioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2022Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001148928.pdf.txt001148928.pdf.txtExtracted Texttext/plain80264http://www.lume.ufrgs.br/bitstream/10183/248592/2/001148928.pdf.txt490ee44b4e1570c170b5cdbab12ad0efMD52ORIGINAL001148928.pdfTexto completo (inglês)application/pdf6121779http://www.lume.ufrgs.br/bitstream/10183/248592/1/001148928.pdf700dd57b7d7359695279464873038160MD5110183/2485922022-10-19 04:47:53.274247oai:www.lume.ufrgs.br:10183/248592Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-10-19T07:47:53Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Neural Networks for Solar Panels Efficiency Prediction
title Neural Networks for Solar Panels Efficiency Prediction
spellingShingle Neural Networks for Solar Panels Efficiency Prediction
Franco, Lúcio Pereira
Aprendizado de máquina
Redes neurais
Painel solar fotovoltaico
Machine Learning
Neural Networks
Solar Energy
Photovoltaic Systems
title_short Neural Networks for Solar Panels Efficiency Prediction
title_full Neural Networks for Solar Panels Efficiency Prediction
title_fullStr Neural Networks for Solar Panels Efficiency Prediction
title_full_unstemmed Neural Networks for Solar Panels Efficiency Prediction
title_sort Neural Networks for Solar Panels Efficiency Prediction
author Franco, Lúcio Pereira
author_facet Franco, Lúcio Pereira
author_role author
dc.contributor.author.fl_str_mv Franco, Lúcio Pereira
dc.contributor.advisor1.fl_str_mv Thom, Lucinéia Heloisa
dc.contributor.advisor-co1.fl_str_mv Hirmer, pascal
contributor_str_mv Thom, Lucinéia Heloisa
Hirmer, pascal
dc.subject.por.fl_str_mv Aprendizado de máquina
Redes neurais
Painel solar fotovoltaico
topic Aprendizado de máquina
Redes neurais
Painel solar fotovoltaico
Machine Learning
Neural Networks
Solar Energy
Photovoltaic Systems
dc.subject.eng.fl_str_mv Machine Learning
Neural Networks
Solar Energy
Photovoltaic Systems
description Somente em 2018, mais de 100 GW em novos painéis solares foram instalados no mundo. Mesmo que essa fonte energética seja benéfica para o meio ambiente, muitas organizações enfrentam dificuldades em implementá-la devido à sua geração de energia inconsistente. Essa inconsistência cria flutuações de energia que podem sobrecarregar a rede elétrica ou complicar o cálculo da demanda de energia. Esse trabalho propõe uma abordagem usando dados distribuídos e aprendizagem de máquina para reduzir esses riscos. Para isso, nós implementamos modelos de redes neurais para analisarem dados que relacionam a eficiência de painéis solares com condições climáticas. Companhias podem usar nossa abordagem e modelos para prever a energia que será gerada no próximo dia e se programar melhor para flutuações de energia. Os resultados mostram que a nossa abordagem atingiu níveis de precisão prósperos, tendo menos de 10% de erro absoluto em suas medições em alguns cenários estudados.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-09-10T05:13:45Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/248592
dc.identifier.nrb.pt_BR.fl_str_mv 001148928
url http://hdl.handle.net/10183/248592
identifier_str_mv 001148928
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 Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/248592/2/001148928.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/248592/1/001148928.pdf
bitstream.checksum.fl_str_mv 490ee44b4e1570c170b5cdbab12ad0ef
700dd57b7d7359695279464873038160
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1815447318584885248

Registros relacionados