Mostra i principali dati dell'item

dc.contributor.advisorMichel, André Bernardes
dc.contributor.authorBrolese, Roan Roberto
dc.contributor.otherMorales, Andréa Cantarelli
dc.contributor.otherSevero, Tiago Cassol
dc.date.accessioned2020-06-03T15:43:40Z
dc.date.available2020-06-03T15:43:40Z
dc.date.issued2019-07-12
dc.date.submitted2019
dc.identifier.urihttps://repositorio.ucs.br/11338/6132
dc.descriptionCom 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).pt_BR
dc.description.abstractDue to the rise of photovoltaic generation together with the growth of network connections, different methods and algorithms, which are able to predict this generation in many time horizons, have been used by researchers. The main algorithm adopts the machine learning using artificial neural networks. This method is used because of its capability of working with non-linear elements. This work has the objective of developing a photovoltaic power generation forecasting in Garibaldi, RS, with a time horizon of six months, creating an artificial neural network. The input data of this network is composed of climatic historical data sets in addition to a set of historical solar photovoltaic generation data, which will be used as targets. The input variable classification is performed through stepwise regression, which lists the highest relation between input variables and the response. The modeling is accomplished by the numerical software Matlab. The software develops the algorithm and ranks the data. To train the artificial neural network the supervised learning method of error backpropagation was used. This method applies the training function bayesian regularization, aiming to reduce the forecast error. The artificial neural network obtained a good performance, reaching a 12.97% MAPE. The comparisons of neural network performance for different time horizons are also presented in this context. The results achieved are in agreement with those found in the bibliography (sic).pt_BR
dc.language.isoptpt_BR
dc.subjectEngenharia elétricapt_BR
dc.subjectSistemas de energia fotovoltaicapt_BR
dc.subjectControle automáticopt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.titlePrevisão de geração de energia fotovoltaica utilizando método de aprendizado de máquinapt_BR
dc.typeMonografiapt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.program.nameBacharelado em Engenharia Elétricapt_BR
mtd2-br.campusCampus Universitário de Caxias do Sulpt_BR
local.data.embargo2019-07-12 00:00:00


Files in questo item

Thumbnail

Questo item appare nelle seguenti collezioni

Mostra i principali dati dell'item