Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/40932
Title in Portuguese: Revisitando o problema de estimação de curvas de potência de aerogeradores via modelos polinomiais esparsos
Author: Maya, Haroldo Cabral
Advisor(s): Barreto, Guilherme de Alencar
Keywords: Teleinformática
Turbinas eólicas
Energia renovável
Renewable energy
Wind turbines
Power curve
Polynomial model
Evoltuionary computation
Issue Date: 30-Jul-2018
Citation: MAYA, H. C. Revisitando o problema de estimação de curvas de potência de aerogeradores via modelos polinomiais esparsos. 2018. 99 f. Dissertação (Mestrado em Engenharia de Teleinformática)-Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2018.
Abstract in Portuguese: Neste trabalho, o clássico modelo polinomial para estimação da curva de potência de aerogera-dores é revisitado com o intuito de tornar seu projeto automático e mais parcimonioso. Para estefim, propõe-se uma metodologia de projeto baseada em computação evolucionária que retornaa ordem ótima do modelo polinomial, bem como seleciona (por poda) os termos relevantes dopolinômio. A metodologia proposta é comparada com o estado da arte em estimação da curvade potência de aerogeradores, tais como modelos logísticos (de 3, 4 e 5 termos), redes neuraisartificiais e modelo polinomial ponderado. Comparação de desempenho com o método LASSO,amplamente utilizado na obtenção de modelos esparsos regularizados, é também realizada. Osresultados indicam um desempenho consistentemente superior da metodologia proposta emrelação a todos os métodos alternativos avaliados.
Abstract: In this dissertation, the classical polynomial model for wind turbines power curve estimation is revisited aiming at an automatic and parsimonious design. For this purpose, with the help of genetic algorithms we introduce a methodoloy aiming at estimating the optimal order of the polynomial as well the relevant terms in this polynomial. The proposed methodology is compared with the state of the art in estimating the power curve of wind turbines, such as logistic models (with 3, 4 and 5 parameters), artificial neural networks and weighted polynomial regression. We also show that the proposed approach performs better than the standard LASSO approach for building regularized sparse models. The results indicate that the proposed methodology consistently outperforms all the evaluated alternative methods.
URI: http://www.repositorio.ufc.br/handle/riufc/40932
metadata.dc.type: Dissertação
Appears in Collections:DETE - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2018_dis_hcmaya.pdf1,04 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.