Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/61916
Title in Portuguese: Sistema de regras para acompanhamento de performance em usinas fotovoltaicas empregando técnicas de aprendizagem de máquina
Author: Costa, Thiago Azevedo Campos
Advisor(s): Braga, Arthur Plínio de Souza
Keywords: Plantas fotovoltaicas
Aprendizagem de máquina
Monitoramento de performance
Issue Date: 2021
Citation: COSTA, Thiago Azevedo Campos. Sistema de regras para acompanhamento de performance em usinas fotovoltaicas empregando técnicas de aprendizagem de máquina. 2021. 81 f. Monografia (Graduação em Engenharia Elétrica) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2021.
Abstract in Portuguese: A geração fotovoltaica continua crescendo sua participação nas matrizes energéticas do Brasil e do mundo, justificando o desenvolvimento de tecnologias que permitem uma maior eficiência e melhor monitoramento de performance. Nesse contexto, o presente trabalho objetiva desenvolver um sistema de regras baseado na modelagem de energia esperada para auxiliar no acompanhamento de performance em usinas fotovoltaicas. Técnicas de Aprendizagem de Máquina também são utilizadas para aproximar a geração esperada dos sistemas fotovoltaicos com base em dados de séries temporais históricas de potência elétrica e variáveis ambientais (ex.: irradiância, temperatura ambiente, velocidade do vento e umidade do ar). Com base em dados de uma usina fotovoltaica real localizada no nordeste brasileiro, filtros e técnicas de pré-processamento são aplicados para amplificar o desempenho dos modelos de Aprendizagem de Máquina que foram comparados: Multilayer Perceptron, k-Nearest Neighbors e Random Forest. O desempenho dos modelos de geração obtidos a partir das técnicas de aprendizagem de máquina são comparados a um modelo físico disponível na PVlib, uma biblioteca em Python para simulação de sistemas fotovoltaicos. Os resultados mostram uma acurácia maior dos modelos obtidos a partir de técnicas de aprendizagem, em que o Random Forest apresenta uma Raiz do Erro Médio Quadrático de 57,42 no conjunto de teste. O sistema proposto para identificar ocorrências de performance abaixo do esperado, é descrito em seus detalhes de implementação e apresentado na forma de uma interface gráfica. Um estudo de caso é conduzido para validar a aplicação do sistema de regras, totalizando 667 ocorrências de baixa performance identificadas para 32 inversores em um período de 31 dias.
Abstract: Photovoltaic power generation continues growing its share on energy matrices in Brazil and worldwide, justifying the development of new technologies that allow better efficiency and performance monitoring. Given that, this work proposes a performance assessment rule system for photovoltaic plants, based on expected power estimation. Machine Learning Techniques were also applied aiming to approximate a photovoltaic system’s expected energy, based on historical time-series of electric power and environmental variables (e.g.: irradiance, ambient temperature, wind speed and air humidity). Using real data collected from a photovoltaic plant located in Brazil’s Northeast region, filters and preprocessing techniques are applied to improve the Machine Learning models compared on the task of regression: Multilayer Perceptron, k-Nearest Neighbors and Random Forest. The performance of the energy models obtained by the Machine Learning techniques are compared to a physical model available in PVlib, a Python library for photovoltaic systems simulation. The results show a greater accuracy for the models obtained with the Machine Learning, with Random Forest presenting 57.42 as Root Mean Square Error on the test data. The proposed system for identifying low performance occurrences is described in its implementation details and presented by a graphical user interface. A case study is conducted to validate the proposed system, obtaining 667 low performance occurrences detected for 32 inverters in a 31 days period.
URI: http://www.repositorio.ufc.br/handle/riufc/61916
metadata.dc.type: TCC
Appears in Collections:ENGENHARIA ELÉTRICA - Monografias

Files in This Item:
File Description SizeFormat 
2021_tcc_taccosta.pdf6,39 MBAdobe PDFView/Open


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