Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UTFPR-12_b5a1f82e44f39a4974445d497b5d9c1d |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/30643 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2023-02-27T12:09:31Z2023-02-27T12:09:31Z2022-12-07RIBEIRO, Victor Hugo Chimilovski. Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022.http://repositorio.utfpr.edu.br/jspui/handle/1/30643Pensando 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.Thinking about the importance of renewable energies and their technological developments, the use of computational and statistical tools to assist in their administration and management, can be a next step towards growth and encouragement in the use of these sustainable energy sources, such as photovoltaic plants. Using time series and their analysis methods to describe the sample set, stochastic statistical forecasts can be made with them and by applying the intelligent model of Extreme Learning Machine (ELM) there is an improvement in the accuracy of these forecasts. Taking advantage of finding the best hyperparameters at ELM initialization, the use of optimization meta-heuristics such as: Coyote Optimization Algorithm(COA), Differential Evolution (DE) and Particle Swarm Optimization (PSO), refine the forecast results and it is also possible to make a comparison between them, indicating the best one for the application in question with the use of forecast error minimization as a comparison metric. With this, it is possible to notice promising results in an accuracy close to 98% with the PSO meta-heuristic.porUniversidade Tecnológica Federal do ParanáPato BrancoEngenharia de ComputaçãoUTFPRBrasilDepartamento Acadêmico de Informáticahttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOAprendizado do computadorGeração de energia fotovoltaicaAlgoritmosOtimização matemáticaAnálise de séries temporaisMachine learningPhotovoltaic power generationAlgorithmsMathematical optimizationTime-series analysisAnálise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solaresTime series analysis using Extreme Learning Machine (ELM) for power forecasting in solar panelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisPato BrancoDal Molin, VivianeCasanova, DalcimarPola, Ives Renê VenturiniDal Molin, VivianeRibeiro, Victor Hugo Chimilovskireponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALseriestemporaisenergiasolar.pdfseriestemporaisenergiasolar.pdfapplication/pdf753133http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/1/seriestemporaisenergiasolar.pdf9573b79e7715e065adfbb015a5e63fd5MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/2/license_rdf0175ea4a2d4caec4bbcc37e300941108MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/3/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD53TEXTseriestemporaisenergiasolar.pdf.txtseriestemporaisenergiasolar.pdf.txtExtracted texttext/plain76153http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/4/seriestemporaisenergiasolar.pdf.txt1ce874b15f71ad2f69b5af3c5b863f13MD54THUMBNAILseriestemporaisenergiasolar.pdf.jpgseriestemporaisenergiasolar.pdf.jpgGenerated Thumbnailimage/jpeg1279http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/5/seriestemporaisenergiasolar.pdf.jpgb737789c17b9387c90e9626a6ca21628MD551/306432023-02-28 03:07:08.114oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2023-02-28T06:07:08Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
dc.title.alternative.pt_BR.fl_str_mv |
Time series analysis using Extreme Learning Machine (ELM) for power forecasting in solar panels |
title |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
spellingShingle |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares Ribeiro, Victor Hugo Chimilovski 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 |
title_short |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
title_full |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
title_fullStr |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
title_full_unstemmed |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
title_sort |
Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
author |
Ribeiro, Victor Hugo Chimilovski |
author_facet |
Ribeiro, Victor Hugo Chimilovski |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Dal Molin, Viviane |
dc.contributor.referee1.fl_str_mv |
Casanova, Dalcimar |
dc.contributor.referee2.fl_str_mv |
Pola, Ives Renê Venturini |
dc.contributor.referee3.fl_str_mv |
Dal Molin, Viviane |
dc.contributor.author.fl_str_mv |
Ribeiro, Victor Hugo Chimilovski |
contributor_str_mv |
Dal Molin, Viviane Casanova, Dalcimar Pola, Ives Renê Venturini Dal Molin, Viviane |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
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 |
dc.subject.por.fl_str_mv |
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 |
description |
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. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-07 |
dc.date.accessioned.fl_str_mv |
2023-02-27T12:09:31Z |
dc.date.available.fl_str_mv |
2023-02-27T12:09:31Z |
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.citation.fl_str_mv |
RIBEIRO, Victor Hugo Chimilovski. Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/30643 |
identifier_str_mv |
RIBEIRO, Victor Hugo Chimilovski. Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/30643 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Pato Branco |
dc.publisher.program.fl_str_mv |
Engenharia de Computação |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Departamento Acadêmico de Informática |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Pato Branco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/1/seriestemporaisenergiasolar.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/2/license_rdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/3/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/4/seriestemporaisenergiasolar.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30643/5/seriestemporaisenergiasolar.pdf.jpg |
bitstream.checksum.fl_str_mv |
9573b79e7715e065adfbb015a5e63fd5 0175ea4a2d4caec4bbcc37e300941108 b9d82215ab23456fa2d8b49c5df1b95b 1ce874b15f71ad2f69b5af3c5b863f13 b737789c17b9387c90e9626a6ca21628 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805923103767789568 |