• português (Brasil)
    • English
    • español
    • italiano
    • Deutsch
  • English 
    • português (Brasil)
    • English
    • español
    • italiano
    • Deutsch
  • Login
View Item 
  •   DSpace Home
  • Trabalhos de Conclusão de Curso
  • Área do Conhecimento das Engenharias
  • Engenharia Elétrica - Bacharelado
  • View Item
  •   DSpace Home
  • Trabalhos de Conclusão de Curso
  • Área do Conhecimento das Engenharias
  • Engenharia Elétrica - Bacharelado
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Previsão de geração de energia fotovoltaica utilizando método de aprendizado de máquina

Thumbnail
View/Open
TCC Roan Roberto Brolese.pdf (2.710Mb)
Date
2019-07-12
Author
Brolese, Roan Roberto
Orientador
Michel, André Bernardes
Metadata
Show full item record
Abstract
Com o aumento da inserção de geração fotovoltaica juntamente com o crescimento de conexões junto a rede, diferentes métodos e algoritmos, capazes de prever esta geração em diversos horizontes vem sendo aplicados pelos pesquisadores. Dentre estes algoritmos destaca-se a massiva utilização do aprendizado de máquina através de redes neurais artificiais, devido a sua capacidade de lidar com elementos não lineares. O presente trabalho intenta em realizar uma previsão de geração fotovoltaica para a cidade de Garibaldi, RS, para um horizonte de seis meses a frente, por meio da modelagem de uma rede neural artificial. Os dados de entrada desta rede são compostos por conjuntos de dados históricos climáticos em complemento a um conjunto de dados históricos de geração solar fotovoltaica que serão usados como alvos. A classificação das variáveis de entrada é realizada através da regressão stepwise, que elenca as variáveis com maior relação com a resposta. A modelagem conta com o auxílio do software numérico Matlab, para a construção do algoritmo e a classificação dos dados. Para o treinamento desta rede neural artificial é empregado o método de aprendizado supervisionado de retropropagação do erro, utilizando a função de treinamento bayesian regularization, visando reduzir o erro da previsão. A rede neural artificial exibiu um bom desempenho, atingindo um MAPE de 12,97 %. Também neste contexto são apresentadas as comparações de desempenho das redes neurais para diferentes horizontes, com resultados alcançados estando de acordo com os encontrados na bibliografia (sic).
URI
https://repositorio.ucs.br/11338/6132
Collections
  • Engenharia Elétrica - Bacharelado [78]

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV
 

 

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

LoginRegister

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV