Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina

Detalhes bibliográficos
Autor(a) principal: Buzzi, Luiz Henrique
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/249859
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.
id UFSC_6e2d85916e0b6f6340a26f9c0361b5a6
oai_identifier_str oai:repositorio.ufsc.br:123456789/249859
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquinaSistemas eletrônicosEnergia solarImagens de sensoriamento remotoAprendizado do computadorRedes neurais (Computação)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.A busca crescente por energias renováveis cria um desafio de gestão de fornecimento energético. Fontes de energia fotovoltaica possuem intermitência de geração ocasionada por fatores meteorológicos e a imprevisibilidade destas variações deixa as redes suscetíveis a problemas de instabilidade, qualidade e equilibro. A produção de energia fotovoltaica possui uma forte relação com a irradiação solar, porém esta irradiação depende de diversos fatores meteorológicos que combinados determinam sua capacidade de geração. Neste aspecto, a previsão da geração de energia em painéis fotovoltaicos pode melhorar o gerenciamento das diversas fontes energética através do planejamento de geração. Esta previsão permite equilibrar diferentes fontes de energia, o que é vital para alcançar uma maior penetração da utilização de energia fotovoltaica. Para contornar o problema de previsibilidade da geração, este trabalho se propõe a investigar a combinação de dados de satélite com dados meteorológicos para prever o potencial de geração de energia em painéis fotovoltaicos em horizontes de 30, 60, 120 e 180 minutos. Para tal são utilizadas imagens do satélite GOES-16 em combinação com dados de uma estação meteorológica terrestre na ilha de Florianópolis. Os dados são utilizados para alimentar uma rede neural convolucional. As convoluções são utilizadas na construção de uma camada para extração de características das imagens de satélite com intuito de analisar a informação para relacionar com a irradiação solar. A saída da rede convolucional é utilizada como entrada de uma rede multilayer perceptron, que utiliza os dados para prever a irradiação na estação. Como resultado do estudo foi observado que os modelos com imagens de satélite fornecem previsões na ordem de 41,14% melhor no horizonte de 30min e 21,24% melhor no horizonte de 180min quando comparados com os modelos sem imagens de satélite.Abstract: The increasing demand for renewable energy presents a challenge in energy supply management. Photovoltaic energy sources have intermittent generation due to weather factors, and the unpredictability of these variations leaves the power grids susceptible to instability, quality and balance issues. The production of photovoltaic energy is closely related to solar irradiation, which, depends on various meteorological factors that collectively determine its generation capacity. In this regard, forecasting energy generation in photovoltaic panels can enhance the management of diverse energy sources through generation planning. This forecast enables the balancing of different energy sources, which is crucial for achieving higher penetration of photovoltaic energy utilization. To address the predictability issue in generation, this study aims to investigate the combination of satellite data with meteorological data to predict the energy generation potential in photovoltaic panels within 30, 60, 120, and 180-minute horizons. For this purpose, satellite images from GOES-16 are used in combination with data from a ground-based weather station on Florianopolis Island. The data is fed into a convolutional neural network, where convolutions are employed to extract features from satellite images, aiming to analyze the information and establish a relationship with solar irradiation. The output of the convolutional network serves as input for a multilayer perceptron network, which utilizes the data to predict irradiation at the station. As a result of the study, it was observed that models incorporating satellite images provide predictions that are approximately 41.14% better for the 30-minute horizon and 21.24% better for the 180-minute horizon when compared to models without satellite images.Jaskowiak, Pablo AndrettaUniversidade Federal de Santa CatarinaBuzzi, Luiz Henrique2023-09-01T13:04:59Z2023-09-01T13:04:59Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis150 p.| il., gráfs.application/pdf382719https://repositorio.ufsc.br/handle/123456789/249859porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-09-01T13:04:59Zoai:repositorio.ufsc.br:123456789/249859Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-09-01T13:04:59Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
title Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
spellingShingle Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
Buzzi, Luiz Henrique
Sistemas eletrônicos
Energia solar
Imagens de sensoriamento remoto
Aprendizado do computador
Redes neurais (Computação)
title_short Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
title_full Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
title_fullStr Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
title_full_unstemmed Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
title_sort Predição de geração de energia fotovoltaica utilizando imagens de satélite e aprendizado de máquina
author Buzzi, Luiz Henrique
author_facet Buzzi, Luiz Henrique
author_role author
dc.contributor.none.fl_str_mv Jaskowiak, Pablo Andretta
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Buzzi, Luiz Henrique
dc.subject.por.fl_str_mv Sistemas eletrônicos
Energia solar
Imagens de sensoriamento remoto
Aprendizado do computador
Redes neurais (Computação)
topic Sistemas eletrônicos
Energia solar
Imagens de sensoriamento remoto
Aprendizado do computador
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Campus Joinville, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-09-01T13:04:59Z
2023-09-01T13:04:59Z
2023
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 382719
https://repositorio.ufsc.br/handle/123456789/249859
identifier_str_mv 382719
url https://repositorio.ufsc.br/handle/123456789/249859
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 150 p.| il., gráfs.
application/pdf
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_ 1808652077681868800

Registros relacionados