Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/63327
Tipo: Dissertação
Título: Uso de aprendizado de máquina no desenvolvimento de modelos de previsão da temperatura de operação de células fotovoltaicas
Título em inglês: Use of machine learning in development of models to predict the operating temperature of photovoltaic cells
Autor(es): Santos, Leticia de Oliveira
Orientador: Carvalho, Paulo Cesar Marques de
Coorientador: Carvalho Filho, Clodoaldo de Oliveira
Palavras-chave: Temperatura de operação da célula FV;Tecnologia fotovoltaica;Aprendizado de máquina;Aprendizagem por regressão
Data do documento: 2021
Citação: SANTOS, Leticia de Oliveira. Uso de aprendizado de máquina no desenvolvimento de modelos de previsão da temperatura de operação de células fotovoltaicas. 2021. 78 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia Mecânica, Fortaleza, 2021.
Resumo: Projetar um sistema Fotovoltaico (FV) envolve estimar a sua produção de energia elétrica, que é influenciada pelas condições ambientais e pela temperatura de operação da célula FV (Tc). Por isso, é necessário um modelo para estimar Tc. A presente pesquisa tem como objetivo o desenvolvimento de um modelo para determinação de Tc baseado em técnicas de Aprendizado de Máquina (Machine Learning - ML) aplicadas a um conjunto de dados de irradiação solar, temperatura ambiente, velocidade do vento, temperatura da célula, dia, ano e hora coletados no Laboratório de Energias Alternativas (LEA) da Universidade Federal do Ceará (UFC). É apresentado inicialmente um estudo dos modelos recentes para determinação de Tc por meio de uma revisão da literatura. 33 equações encontradas na literatura para estimar Tc são compiladas em apenas 3 formulações gerais. Posteriormente, o conjunto de dados coletados entre 2018 e 2020 no LEA é tratado e usado na aplicação de técnicas de aprendizagem por regressão. As técnicas aplicadas são de Regressão Linear (RL), Support Vector Machine (SVM), Gaussian Process Regression (GPR) e Neural Network (NN). Os resultados obtidos por meio de RL, SVM, PR e NN são comparados, tais modelos apresentam uma magnitude média do erro, o RMSE, de 3,5377; 2,8374; 2,651; e 2,9706 graus no conjunto de teste, respectivamente. O melhor modelo de ML desenvolvido, o modelo GPR, é comparado com alguns modelos convencionais presentes na literatura para previsão de Tc e apresenta a melhor performance entre estes.
Abstract: Designing a photovoltaic (PV) system involves estimating its electricity production, which is influenced by the environmental conditions and the PV cell operating temperature (Tc). Therefore, a model is needed to estimate Tc. This research aimed to develop a model for determining Tc based on Machine Learning (ML) techniques applied to a dataset of solar irradiation, ambient temperature, wind speed, cell temperature, day, year and hour collected at the Laboratory of Alternative Energy (LEA) of the Federal University of Ceará (UFC). Initially, a study of the recent models for determining Tc through a literature review is presented. 33 equations found in the literature to estimate Tc are summarized in just 3 general forms. Subsequently, the dataset collected between 2018 and 2020 in the LEA is treated and used in the application of regression learning techniques. The techniques applied are Linear Regression (RL), Support Vector Machine (SVM), Gaussian Process Regression (GPR) and Neural Network (NN). The results obtained by the application of RL, SVM, GPR, and NN are compared, such models presented the average magnitude of the error, the RMSE, of 3.5377; 2.8374; 2,651; and 2.9706 degrees in the test set, respectively. The best ML model developed, the GPR model, is compared with some conventional models present in the literature for forecasting Tc and presents the best performance between those.
URI: http://www.repositorio.ufc.br/handle/riufc/63327
Aparece nas coleções:DEME - Dissertações defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_dis_losantos.pdfDissertação de Leticia de Oliveira Santos19,32 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.