Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/ |
Resumo: | O desenvolvimento de modelos de previsão de energia está entre as principais estratégias para manter um rápido crescimento de energias renováveis intermitentes, como a Solar Fotovoltaica (FV), ao mesmo tempo que auxilia na mitigação de desafios relacionados à gestão de sistemas conectados à rede. Neste trabalho, um método estatístico baseado em Rede Neural Recorrente (RNN) foi desenvolvido para prever uma, duas e três horas futuras da produção de energia de uma usina fotovoltaica conectada à rede de 540 kWp, instalada no Instituto de Energia e Meio Ambiente do Universidade de São Paulo (USP). As entradas padrão do modelo RNN são dados meteorológicos, dados ambientais e série temporal da produção de energia da usina FV. A série histórica foi dividida em meses secos (abril a setembro) e chuvosos (outubro a março). Este trabalho também visa avaliar a influência do aerossol atmosférico como preditor do modelo de previsão. Assim, dados de reanálise de Profundidade Óptica de Aerossol (AOD) interpolados de hora em hora a partir do modelo MERRA-2 foram incluídos como entrada adicional em um segundo modelo RNN. Um algoritmo de força bruta determinou a arquitetura de três camadas ocultas com trinta neurônios cada. A mesma arquitetura foi aplicada para todos os horizontes de tempo avaliados, bem como com ou sem dados AOD. A precisão dos modelos RNN de previsão foi avaliada por meio do erro quadrático médio (MSE), raiz do erro quadrático médio nominal (NRMSE) e Skill Score (SSMSE) em comparação com um modelo de persistência smart. Os modelos desenvolvidos apresentaram RMSE variando entre 4,53% e 7,24% para os meses secos e 5,93% e 8,1% para os meses chuvosos. O método aplicado neste trabalho superou de forma consistente o modelo de persistência para todos os cenários avaliados, especialmente durante os meses chuvosos, com valores de SSMSE observados variando entre 0,67 e 0,92. Finalmente, a inclusão de dados de AOD resultou no aumento do SSRMSE em 2,27% no desempenho do modelo de previsão durante os meses secos. |
id |
USP_9e5556a70604b1998587b6d2c6e31551 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-05102021-143524 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USPRecurrent Neural Network for short time forecasting for the photovoltaic plant in USPaprendizado de máquinasartificial neural networksenergia solarmachine learningPhotovoltaic systemsprevisão de geraçãoPV power forecastingrede neural artificialsistemas fotovoltaicosSolar energyO desenvolvimento de modelos de previsão de energia está entre as principais estratégias para manter um rápido crescimento de energias renováveis intermitentes, como a Solar Fotovoltaica (FV), ao mesmo tempo que auxilia na mitigação de desafios relacionados à gestão de sistemas conectados à rede. Neste trabalho, um método estatístico baseado em Rede Neural Recorrente (RNN) foi desenvolvido para prever uma, duas e três horas futuras da produção de energia de uma usina fotovoltaica conectada à rede de 540 kWp, instalada no Instituto de Energia e Meio Ambiente do Universidade de São Paulo (USP). As entradas padrão do modelo RNN são dados meteorológicos, dados ambientais e série temporal da produção de energia da usina FV. A série histórica foi dividida em meses secos (abril a setembro) e chuvosos (outubro a março). Este trabalho também visa avaliar a influência do aerossol atmosférico como preditor do modelo de previsão. Assim, dados de reanálise de Profundidade Óptica de Aerossol (AOD) interpolados de hora em hora a partir do modelo MERRA-2 foram incluídos como entrada adicional em um segundo modelo RNN. Um algoritmo de força bruta determinou a arquitetura de três camadas ocultas com trinta neurônios cada. A mesma arquitetura foi aplicada para todos os horizontes de tempo avaliados, bem como com ou sem dados AOD. A precisão dos modelos RNN de previsão foi avaliada por meio do erro quadrático médio (MSE), raiz do erro quadrático médio nominal (NRMSE) e Skill Score (SSMSE) em comparação com um modelo de persistência smart. Os modelos desenvolvidos apresentaram RMSE variando entre 4,53% e 7,24% para os meses secos e 5,93% e 8,1% para os meses chuvosos. O método aplicado neste trabalho superou de forma consistente o modelo de persistência para todos os cenários avaliados, especialmente durante os meses chuvosos, com valores de SSMSE observados variando entre 0,67 e 0,92. Finalmente, a inclusão de dados de AOD resultou no aumento do SSRMSE em 2,27% no desempenho do modelo de previsão durante os meses secos.The development of power forecast models is among the main strategies to maintain a rapid growth of intermittent renewable energy, such as Solar Photovoltaics (PV) while supporting to mitigate challenges related to the management of grid-connected systems. In this work, a statistical method based on Recurrent Neural Network (RNN) has been developed to predict one, two, and three hours ahead of the power production of a 540 kWp grid-connected PV plant installed at the Energy and Environment Institute of the University of São Paulo (USP) in Brazil. The default inputs of the RNN are meteorological data, environmental data, and the time series of the power output of the PV plants. The time series was separated into dry months (April to September) and rainy months (October to March). This work also aims to evaluate the influence of atmospheric aerosol as a predictor for the forecast model. Thus, reanalysis data of Aerosol Optic Depth (AOD) interpolated hourly from the MERRA-2 model was included as additional input in a second RNN model. A brute force algorithm determined the architecture of three hidden layers with thirty neurons each. We applied the same architecture for all time horizons evaluated, as well as with or without AOD data. We evaluated the accuracy of the forecast RNN models through Mean Squared Error (MSE), Nominal Root Mean Squared Error (NRMSE), and Skill Score (SSMSE) comparing to a smart persistence model. Both developed models presented a RMSE varying between 4.53% and 7.24% for dry months and between 5.93% and 8.1% for rainy months. The method applied in this work consistently outperformed the reference persistence model for all evaluated scenarios, especially during rainy months. With SSMSE values observed ranges from 0.67 to 0.92. Finally, the inclusion of AOD data improved the model performance SSRMSE by 2.27% during dry months.Biblioteca Digitais de Teses e Dissertações da USPMartins, Fernando RamosZilles, RobertoFonseca, Wellington Winicius Ferreira2021-08-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2021-11-11T15:00:02Zoai:teses.usp.br:tde-05102021-143524Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-11-11T15:00:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP Recurrent Neural Network for short time forecasting for the photovoltaic plant in USP |
title |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
spellingShingle |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP Fonseca, Wellington Winicius Ferreira aprendizado de máquinas artificial neural networks energia solar machine learning Photovoltaic systems previsão de geração PV power forecasting rede neural artificial sistemas fotovoltaicos Solar energy |
title_short |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
title_full |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
title_fullStr |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
title_full_unstemmed |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
title_sort |
Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP |
author |
Fonseca, Wellington Winicius Ferreira |
author_facet |
Fonseca, Wellington Winicius Ferreira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Martins, Fernando Ramos Zilles, Roberto |
dc.contributor.author.fl_str_mv |
Fonseca, Wellington Winicius Ferreira |
dc.subject.por.fl_str_mv |
aprendizado de máquinas artificial neural networks energia solar machine learning Photovoltaic systems previsão de geração PV power forecasting rede neural artificial sistemas fotovoltaicos Solar energy |
topic |
aprendizado de máquinas artificial neural networks energia solar machine learning Photovoltaic systems previsão de geração PV power forecasting rede neural artificial sistemas fotovoltaicos Solar energy |
description |
O desenvolvimento de modelos de previsão de energia está entre as principais estratégias para manter um rápido crescimento de energias renováveis intermitentes, como a Solar Fotovoltaica (FV), ao mesmo tempo que auxilia na mitigação de desafios relacionados à gestão de sistemas conectados à rede. Neste trabalho, um método estatístico baseado em Rede Neural Recorrente (RNN) foi desenvolvido para prever uma, duas e três horas futuras da produção de energia de uma usina fotovoltaica conectada à rede de 540 kWp, instalada no Instituto de Energia e Meio Ambiente do Universidade de São Paulo (USP). As entradas padrão do modelo RNN são dados meteorológicos, dados ambientais e série temporal da produção de energia da usina FV. A série histórica foi dividida em meses secos (abril a setembro) e chuvosos (outubro a março). Este trabalho também visa avaliar a influência do aerossol atmosférico como preditor do modelo de previsão. Assim, dados de reanálise de Profundidade Óptica de Aerossol (AOD) interpolados de hora em hora a partir do modelo MERRA-2 foram incluídos como entrada adicional em um segundo modelo RNN. Um algoritmo de força bruta determinou a arquitetura de três camadas ocultas com trinta neurônios cada. A mesma arquitetura foi aplicada para todos os horizontes de tempo avaliados, bem como com ou sem dados AOD. A precisão dos modelos RNN de previsão foi avaliada por meio do erro quadrático médio (MSE), raiz do erro quadrático médio nominal (NRMSE) e Skill Score (SSMSE) em comparação com um modelo de persistência smart. Os modelos desenvolvidos apresentaram RMSE variando entre 4,53% e 7,24% para os meses secos e 5,93% e 8,1% para os meses chuvosos. O método aplicado neste trabalho superou de forma consistente o modelo de persistência para todos os cenários avaliados, especialmente durante os meses chuvosos, com valores de SSMSE observados variando entre 0,67 e 0,92. Finalmente, a inclusão de dados de AOD resultou no aumento do SSRMSE em 2,27% no desempenho do modelo de previsão durante os meses secos. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-08-09 |
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://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/ |
url |
https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090422650175488 |