Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/52896| Tipo: | Tese |
| Título : | Técnicas de previsão do recurso solar integradas a partir da teoria do portfólio |
| Autor : | Lima, Marcello Anderson Ferreira Batista |
| Tutor: | Carvalho, Paulo Cesar Marques de |
| Co-asesor: | Braga, Arthur Plínio de Souza Fernández Ramírez, Luis Miguel |
| Palabras clave : | Engenharia elétrica;Energia renovável;Teoria da previsão;Energia solar - Previsão;Teoria do portifólio;Solar resource forecast;Portfolio theory |
| Fecha de publicación : | 2020 |
| Citación : | LIMA, Marcello Anderson Ferreira Batista. Técnicas de previsão do recurso solar integradas a partir da teoria do portfólio. 2020. 171 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Elétrica, Fortaleza, 2020. |
| Resumen en portugués brasileño: | Nas últimas décadas, diversos métodos de previsão têm sido implementados com o objetivo de melhorar a antevisão de recursos energéticos intermitentes. Motivado pelo crescimento do uso de plantas Fotovoltaicas (FV), na presente tese é desenvolvida uma técnica denominada de PrevTP, baseada na integração de técnicas de previsão a partir da Teoria do Portfólio (TP). A TP é uma ferramenta utilizada no setor financeiro para que os riscos de perdas dos investimentos sejam diminuídos através da diversificação de ativos. Para a previsibilidade solar, a TP, por meio da PrevTP, é adaptada com o enfoque na diminuição dos erros de previsão. A PrevTP aproveita os ativos de previsão diversificados, ou seja, quando um dos ativos obtiver erros de previsão, o outro ativo realiza uma compensação do erro através de ponderações prédefinidas pela metodologia utilizada. Como ativos de previsão da PrevTP, a presente tese utiliza-se das estruturas das técnicas de aprendizagem: Multilayer Perceptron (MLP) Backpropagation; Radial Basis Function (RBF); Support Vector Regression (SVR); e Deep Learning (DL). A técnica desenvolvida é aplicada em dois locais com diferentes condições de irradiação solar: Fortaleza, Brasil, e Algeciras, Espanha. Com o uso das 4 técnicas, é possível perceber a redução dos erros de previsão através da integração. As etapas de aplicação da PrevTP são: coleta de dados, previsão da irradiância solar por meio dos ativos de forma individual, estudo dos erros de previsão, processamento de dados de erros de previsão pela PrevTP, definição final das ponderações dos ativos pela PrevTP e, por fim, verificação dos erros de previsão com as 4 técnicas integradas pela metodologia proposta em comparação com os ativos individuais. Os resultados obtidos mostram que o Mean Absolute Percentage Error (MAPE) para previsões usando a PrevTP é de 4,52 % no Brasil e 5,36 % na Espanha. Nos dois casos, os resultados da PrevTP são melhores do que os encontrados nas outras técnicas utilizadas isoladamente, com valores de MAPE entre 6,08 % a 8,53 %, o que caracteriza a PrevTP como uma ferramenta com impactos positivos para a gestão da energia solar. |
| Abstract: | In the last decades, several forecasting methods have been implemented in order to improve the forecast of intermittent energy resources. Motivated by the growth in the use of Photovoltaic (PV) plants, this thesis develops a technique called PrevTP, based on the integration of forecasting techniques using the Portfolio Theory (TP). TP is a tool used in the financial sector so that the risk of loss of investments is reduced through the diversification of assets. For solar predictability, TP, through PrevTP, is adapted with a focus on reducing forecasting errors. PrevTP takes advantage of diversified forecast assets, that is, when one of the assets obtains forecast errors, the other asset compensates for the error through pre-defined weightings based on the methodology used. As PrevTP predictive assets, this thesis uses the structures of the learning techniques: Multilayer Perceptron (MLP) Backpropagation; Radial Basis Function (RBF); Support Vector Regression (SVR); and Deep Learning (DL). The technique developed is applied to two sites with different solar irradiation conditions: Fortaleza, Brazil, and Algeciras, Spain. Using the 4 techniques, it is possible to perceive the reduction of forecasting errors through integration. The stages of application of PrevTP are: data collection, prediction of solar irradiance through the assets individually, study of forecast errors, data processing of forecast errors by PrevTP, final definition of asset weightings by PrevTP and, finally, verification of forecasting errors with the 4 techniques integrated by the proposed methodology in comparison with the individual assets. The results obtained show that Mean Absolute Percentage Error (MAPE) for predictions using PrevTP is 4.52% in Brazil and 5.36% in Spain. In both cases, PrevTP results are better than other techniques used alone, with MAPE values between 6.08% to 8.53%, which characterizes PrevTP as a tool with positive impacts for the management of solar energy |
| Resumen en español: | En las últimas décadas, se han implementado varios métodos de predicción para mejorar la predicción el pronóstico de los recursos energéticos intermitentes. Motivada por el crecimiento del uso de plantas fotovoltaicas (FV), esta tesis desarrolla una técnica llamada PrevTP, basada en la integración de técnicas de predicción mediante la Teoría del Portfolio (TP). TP es una herramienta utilizada en el sector financiero para reducir el riesgo de pérdida de inversiones mediante la diversificación de activos. Para la predicción solar, la TP, a través de PrevTP, se adapta con un enfoque en la reducción de errores de predicción. La PrevTP aprovecha los activos de previsión diversificados, es decir, cuando uno de los activos obtiene errores, el otro activo realiza una compensación de errores mediante ponderaciones predefinidas de acuerdo con la metodología utilizada. Como activos de previsión de la PrevTP, la presente tesis utiliza las estructuras de las técnicas de aprendizaje: Multilayer Perceptron (MLP) Backpropagation; Radial Basis Function (RBF); Support Vector Regression (SVR); y Deep Learning (DL). La técnica desarrollada se aplica a dos lugares con diferentes condiciones de irradiación solar: Fortaleza, Brasil, y Algeciras, España. Usando las 4 técnicas, es posible ver la reducción de los errores de predicción a través de la integración. Las etapas de aplicación de PrevTP son: recolección de datos, previsión de irradiancia solar a través de los activos individualmente, estudio de errores de predicción, procesamiento de datos de errores de predicción por la PrevTP, definición final de ponderaciones de activos por PrevTP y, finalmente, verificación de errores de predicción con las 4 técnicas integradas por la metodología propuesta en comparación con los activos individuales. Los resultados obtenidos muestran que el Mean Absolute Percentage Error (MAPE) para las predicciones con PrevTP es del 4,52% en Brasil y del 5,36% en España. En ambos casos, los resultados de PrevTP son mejores que los encontrados en otras técnicas utilizadas solas, con valores MAPE entre 6,08% a 8,53%, lo que caracteriza a PrevTP como una herramienta con impactos positivos para el manejo de energía solar. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/52896 |
| Aparece en las colecciones: | DEEL - Teses defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2020_tese_mafblima.pdf | 6,22 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.