Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares

• Autor(a) principal: Ribeiro, Victor Hugo Chimilovski
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30643
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Aprendizado do computador; Geração de energia fotovoltaica; Algoritmos; Otimização matemática; Análise de séries temporais; Machine learning; Photovoltaic power generation; Algorithms; Mathematical optimization; Time-series analysis

Pensando na importância das energias renováveis e seus desenvolvimentos tecnológicos, o uso de ferramentas computacionais e estatísticas para auxiliar na sua administração e manejo, pode ser um próximo passo para um crescimento e incentivo no uso dessas fontes energéticas sustentáveis, como usinas fotovoltaicas. Utilizando séries temporais e seus métodos de análise para descrever o conjunto amostral, pode-se realizar previsões estatísticas estocásticas com as mesmas e ao aplicar o modelo inteligente de Aprendizado de Maquina ao Extremo (ELM) têm-se uma melhora na acurácia dessas previsões. Aproveitando para encontrar os melhores hiperparâmetros na inicialização do ELM, o uso de meta-heurísticas de otimização como: Coyote Optimization Algorithm(COA), Differential Evolution (DE) e Particle Swarm Optimization (PSO), refinam os resultados de previsões e também é possível realizar um comparativo entre elas, indicando a melhor para aplicação em questão com o uso da minimização de erro de previsão como métrica de comparação. Com isso é possível notar resultados promissores numa acurácia próxima a 98% com a meta-heurística do PSO.