Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/249029 |
Resumo: | TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica. |
id |
UFSC_49c3cb72c4d40b459c5081871073a204 |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/249029 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquinaInteligência ArtificialBancos de DadosEnergia EólicaAprendizado de MáquinaTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica.A energia eólica é uma das principais tecnologias de eletrificação com enorme potencial de crescimento. É conhecido por sua compatibilidade com o meio ambiente, economizando combustíveis fósseis e reduzindo poluentes. No entanto, embora haja um aumento significativo na capacidade eólica instalada a cada ano, essa ferramenta também acompanha seu próprio conjunto de desafios. Ao contrário das usinas convencionais, a energia eólica é altamente dependente de condições meteorológicas, que tornam a produção de energia difícil de prever. À medida que a integração de energias renováveis, como a energia eólica aumenta, algoritmos preditivos são necessários no atual sistema de energia elétrica, para fornecer previsões confiáveis, para reduzir os riscos técnicos e financeiros de todos participantes do mercado. A tecnologia de mineração de dados constitui-se em solução para extrair, de forma semi automática e inteligente, conhecimento relevante de enormes conjuntos de dados. Este trabalho apresenta uma abordagem de mineração de dados para previsão da velocidade do vento que tem baixo custo, contempla relevantes algoritmos de inteligência artificial e fornece recursos eficientes para tratamento de bancos de dados. A predição de ventos para geração eólica já é estudada há algum tempo utilizando diversas técnicas diferentes, este trabalho tem o diferencial de utilizar de como fonte de dados o MERRA-2 (Retrospectiva da Era Moderna para Pesquisa e Aplicações versão 2) é um conjunto de dados global de reanálise atmosférica desenvolvido pelo NASA's Global Modeling and Assimilation Office (GMAO). Ele fornece informações abrangentes sobre as condições atmosféricas passadas em todo o mundo, combinando observações de satélite, medições em terra e modelos de previsão do tempo estes dados são disponibilizados gratuitamente na internet e podem fornecer parâmetros pontuais em qualquer lugar no mundo mesmo que não tenha um sensor no local onde se deseja obter os dados. O objetivo deste trabalho é realizar uma predição de velocidade de vento de no mínimo uma hora em qualquer ponto utilizando esta fonte de dados, estes dados foram analisados para ver sua qualidade e realizado um tratamento de dados faltantes, foram usados modelos de aprendizado de máquina, como por exemplo o modelo Random Forest Regressor onde foi possível obter um coeficiente de determinação (R²) de aproximadamente 0,96 e um valor NRMSE de 0,0306, além ferramentas de redes neurais recorrente como o LSTM e modelos mais tradicionais como ARIMA.Florianópolis, SC.Lazzarin, Telles BrunelliSilva, Mateus Grellert daUniversidade Federal de Santa Catarina.Braz, Jean Alexsander Gomes2023-07-20T13:07:18Z2023-07-20T13:07:18Z2023-07-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis57 fapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/249029Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2023-07-20T13:07:19Zoai:repositorio.ufsc.br:123456789/249029Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-07-20T13:07:19Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.none.fl_str_mv |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
title |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
spellingShingle |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina Braz, Jean Alexsander Gomes Inteligência Artificial Bancos de Dados Energia Eólica Aprendizado de Máquina |
title_short |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
title_full |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
title_fullStr |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
title_full_unstemmed |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
title_sort |
Predição de velocidade de ventos para geração eólica, utilizando aprendizado de máquina |
author |
Braz, Jean Alexsander Gomes |
author_facet |
Braz, Jean Alexsander Gomes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lazzarin, Telles Brunelli Silva, Mateus Grellert da Universidade Federal de Santa Catarina. |
dc.contributor.author.fl_str_mv |
Braz, Jean Alexsander Gomes |
dc.subject.por.fl_str_mv |
Inteligência Artificial Bancos de Dados Energia Eólica Aprendizado de Máquina |
topic |
Inteligência Artificial Bancos de Dados Energia Eólica Aprendizado de Máquina |
description |
TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia Elétrica. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-07-20T13:07:18Z 2023-07-20T13:07:18Z 2023-07-17 |
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 |
https://repositorio.ufsc.br/handle/123456789/249029 |
url |
https://repositorio.ufsc.br/handle/123456789/249029 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Open Access. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Open Access. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
57 f application/pdf |
dc.publisher.none.fl_str_mv |
Florianópolis, SC. |
publisher.none.fl_str_mv |
Florianópolis, SC. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652357640126464 |