Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
Texto Completo: | https://hdl.handle.net/20.500.12733/8114 |
Resumo: | Orientador: Mateus Giesbrecht |
id |
UNICAMP-30_c52cfea5dd641440e5202a2c7dbf04ab |
---|---|
oai_identifier_str |
oai::1265648 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solarApplications and proposals of time series techniques to solve the solar generation prediction problemSéries temporaisEnergia solarAprendizado de máquinaTime seriesSolar energyMachine learningOrientador: Mateus GiesbrechtTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Com o aumento da penetração da energia solar nos sistemas de energia elétrica, é necessário prever a radiação solar futura. Com isso, pode-se prever a capacidade de geração de energia solar, permitindo um agendamento preciso para as demais fontes. A predição da radiação solar e do índice de claridade (do inglês Clearness Index ou CI) já foi apresentada em outros trabalhos utilizando métodos clássicos de séries temporais, algoritmos de inteligência artificial (IA), entre outras abordagens. Neste trabalho, três métodos foram propostos para prever o CI. O primeiro resolve um problema de realização estocástica para encontrar um modelo matemático para o processo estocástico que descreva a série temporal de CI. Em seguida, um observador de estados foi implementado para estimar a série temporal e prever seus valores futuros. Até onde o autor sabe, este método não foi usado para este propósito antes. O segundo realiza o algoritmo de regressão k-vizinhos mais próximos (k-NN) para predição de séries temporais usando duas abordagens diferentes: uma mais usual, na qual o conjunto de dados de treinamento permanece constante, e a outra proposta pelo autor é denominada de k-NN recursiva, na qual o conjunto de dados de treinamento é atualizado recursivamente. Até onde o autor sabe, este trabalho de doutorado foi um dos primeiros a aplicar esse tipo de abordagem para resolver o problema de predição do CI. Por fim, o terceiro algoritmo é um método híbrido combinando uma técnica de decomposição de séries temporais, utilizando Análise Espectral Singular (SSA) com o método de IA, k-NN, o qual foi utilizado para prever as subséries obtidas pelo SSA e assim obter uma predição final da série temporal de CI. Nesse método híbrido, são propostas duas abordagens. A primeira combina análise espectral singular em batelada (SSA-B) e k-NN, denominada de SSA-B + k-NN, enquanto a segunda combina análise espectral singular recursiva (SSA-R) e k-NN, denominada de SSA-R + k-NN. A primeira realiza o algoritmo SSA-B para a decomposição de séries temporais usando uma abordagem mais usual, na qual os autovalores e autovetores são calculados em batelada. Em seguida, o método k-NN é aplicado para prever cada componente obtido pelo método SSA-B. Finalmente, a predição de cada componente é somada para obter a predição final. A segunda executa o algoritmo SSA-R para a decomposição de séries temporais, em que os autovalores e autovetores são atualizados recursivamente. Em seguida, as componentes são obtidas e duas variações são propostas para atualizar as componentes. A primeira variação atualiza apenas a última componente da janela de atualização, enquanto na segunda variação substitui todos as componentes em uma janela por seus valores atualizados. Em seguida, o método k-NN é aplicado para prever cada componente obtida pelo método SSA-R. Por fim, a predição de cada componente é somada para obter a predição final. Os métodos foram implementados no software MatLab e comparados em termos de custo computacional e acurácia. Os resultados ilustram que uma abordagem é mais precisa que a outra, dependendo do horizonte de predição. A comparação entre os métodos para diferentes horizontes de predição é outra contribuição deste trabalhoAbstract: With the increase in solar energy penetration in electric power systems, it is necessary to predict future solar radiation. With this, the solar power generation capacity can be predicted, allowing accurate scheduling for the other sources. The solar radiation and the clearness index (CI) prediction were already presented in other works using classical time series methods, artificial intelligence algorithms, among other approaches. In this thesis, three methods were proposed to predict the CI. The first one solves a stochastic realization problem to find a mathematical model for the stochastic process that describes the CI time series. Then, a state observer was implemented to estimate the time series and predict its future values. As far as the author knows, this method has not been used for this purpose before. The second one performs the $k$-Nearest Neighbors (k-NN) regression algorithm for time series forecasting using two different approaches: a more usual one, in which the training data set remains constant, and another one proposed by the author and named as recursive k-NN, in which the training data set is updated recursively. As far as the author knows, this doctoral work was one of the first to apply this approach to solve the CI prediction problem. Finally, the third method performs a hybrid approach combining a time series decomposition technique, using Singular Spectral Analysis (SSA) with the AI method, k-NN, which was used to predict the subseries obtained by SSA and then to obtain a final prediction of the CI time series. In this hybrid approach, two alternatives are proposed. The first one combines batch singular spectral analysis (SSA-B) and k-nearest neighbours and is called SSA-B + k-NN, whereas the second associates recursive singular spectral analysis (SSA-R) and k-NN, and is named SSA-R + k-NN. The first one performs the SSA-B algorithm for the time series decomposition using a more usual approach, in which the eigenvalues and eigenvectors are calculated in batch. Then, the k-NN method is applied to predict each component obtained by the SSA-B method. Finally, the prediction of each component is added to obtain the final prediction. The second one performs the SSA-R algorithm for the time series decomposition, in which the eigenvalues and eigenvectors are updated recursively. Then, the components are obtained. At this point, two variations are proposed to update the components. The first variation updates just the last component of the updating window. The second variation replaces all components in a window with its updated values. After that, the k-NN method is applied to predict each component obtained by the SSA-R method. Finally, the prediction of each component is added to obtain the final forecast. The methods were implemented in MatLab and compared in terms of computational cost and accuracy. The results illustrate that one approach is more accurate than the other, depending on the forecast horizon. The comparison between the methods for different forecast horizons is another contribution of this workDoutoradoAutomaçãoDoutor em Engenharia ElétricaCAPES001[s.n.]Giesbrecht, Mateus, 1984-Serra, Ginalber Luiz de OliveiraAlegria, Elvis Omar JaraBarreto, GilmarAttux, Romis Ribeiro de FaissolUniversidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASMartins, Guilherme Santos, 1990-20232023-01-03T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (118 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/8114MARTINS, Guilherme Santos. Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar. 2023. 1 recurso online (118 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8114. Acesso em: 15 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/1265648porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-03-29T09:46:51Zoai::1265648Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-03-29T09:46:51Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar Applications and proposals of time series techniques to solve the solar generation prediction problem |
title |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
spellingShingle |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar Martins, Guilherme Santos, 1990- Séries temporais Energia solar Aprendizado de máquina Time series Solar energy Machine learning |
title_short |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
title_full |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
title_fullStr |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
title_full_unstemmed |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
title_sort |
Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar |
author |
Martins, Guilherme Santos, 1990- |
author_facet |
Martins, Guilherme Santos, 1990- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Giesbrecht, Mateus, 1984- Serra, Ginalber Luiz de Oliveira Alegria, Elvis Omar Jara Barreto, Gilmar Attux, Romis Ribeiro de Faissol Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação Programa de Pós-Graduação em Engenharia Elétrica UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Martins, Guilherme Santos, 1990- |
dc.subject.por.fl_str_mv |
Séries temporais Energia solar Aprendizado de máquina Time series Solar energy Machine learning |
topic |
Séries temporais Energia solar Aprendizado de máquina Time series Solar energy Machine learning |
description |
Orientador: Mateus Giesbrecht |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023 2023-01-03T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/8114 MARTINS, Guilherme Santos. Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar. 2023. 1 recurso online (118 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8114. Acesso em: 15 mai. 2024. |
url |
https://hdl.handle.net/20.500.12733/8114 |
identifier_str_mv |
MARTINS, Guilherme Santos. Aplicações e propostas de técnicas de realização de séries temporais para solução do problema da predição de geração solar. 2023. 1 recurso online (118 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8114. Acesso em: 15 mai. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1265648 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (118 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1799138576513892352 |