Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/64248
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorRocha, Paulo Alexandre Costa-
dc.contributor.authorLoayza, David Mickely Jaramillo-
dc.date.accessioned2022-03-03T19:14:09Z-
dc.date.available2022-03-03T19:14:09Z-
dc.date.issued2021-
dc.identifier.citationJARAMILLO LOAYZA, David Mickely. Previsão de irradiação solar usando aprendizagem de máquinas com modelos de árvore e a influência do Índice Oceânico El Niño (ONI). 2021. 37 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia Mecânica, Fortaleza, 2021.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/64248-
dc.language.isopt_BRpt_BR
dc.subjectXGBoostpt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectEnergia solarpt_BR
dc.subjectOceanic Niño Indexpt_BR
dc.subjectENOSpt_BR
dc.subjectLa Niñapt_BR
dc.subjectEl Niñopt_BR
dc.titlePrevisão de irradiação solar usando aprendizagem de máquinas com modelos de árvore e a influência do Índice Oceânico do El Niño (ONI)pt_BR
dc.typeDissertaçãopt_BR
dc.description.abstract-ptbrA energia solar representa a coluna vertebral das fontes de energia sustentáveis e pela sua influência sobre as demais, sua participação na mudança da matriz energética é indispensável ainda mais nesse período crítico climático que está vivendo o planeta. No contexto apresentado, a energia solar é uma fonte intermitente e pouco confiável, sendo necessários sistemas complementários como modelos de previsão de irradiação solar que ajudem no controle eficiente da demanda de eletricidade. Os modelos de aprendizagem de máquinas são métodos que podem ser de regressão ou de classificação e estão sendo usados para desenvolver modelos de previsão de irradiação solar global, especificamente em modelos preditivos que podem ser usados para otimizar os sistemas de controle das usinas solares. O objetivo deste trabalho é implementar e comparar o desempenho dos modelos de aprendizagem de máquinas XGBoost e Boosting na previsão de irradiação solar global, usando o Índice Oceânico El Niño (do inglês ONI) como preditor em cinco bancos de dados diferentes: Global com ONI; Global, La Niña, El Niño e Neutro sem ONI, para os horizontes temporais 2 min, 10 min, 30 min, 1h, 1 dia e 7 dias, sendo analisados sob a mesmas condições climáticas na cidade de Fortaleza, no estado do Ceará, 3° 43’ 2’’S, 38° 32’ 35’’O. Foram analisados o banco Global que contém todas as observações incluindo o ONI como preditor; e os bancos que não usaram o ONI como preditor: Global, La Niña, El Niño e Neutro, a fim de conhecer o efeito do ONI sobre a previsão de irradiação solar. O banco Global com ONI teve valores menores de RMSE em comparação com o banco Global sem ONI para os horizontes 2 min e 10 min. O modelo XGBoost no banco Global com ONI mostrou um valor do nRMSE 52.08% menor que nos outros bancos no horizonte de 2min. O modelo Boosting apresentou no banco Neutro sem ONI um valor do nRMSE 39.26% menor do que nos outros bancos para o horizonte de 1 h. No desempenho geral dos modelos, o Boosting teve melhores resultados, mas com a análise dos valores da FS percebeu-se que o modelo XGBoost mostrou um desempenho similar com valores de menos de 1% de diferença. Ao observar os valores da FS nos bancos que contêm observações com ocorrência do ONI (Global, La Niña e El Niño) percebe-se a tendência positiva afetando a sensibilidade da previsão de irradiação solar.pt_BR
dc.description.abstract-esLa energía solar representa la columna vertebral de las fuentes de energías sustentables y por su influencia sobre las demás, su participación en el cambio de matriz energética es indispensable sobre todo en este periodo crítico climático que está viviendo el planeta. En el contexto presentado, la energía solar es una fuente intermitente e poco confiable, siendo necesarios sistemas complementarios como modelos de previsión de irradiación solar que ayuden en el control eficiente de la demanda de electricidad. Los modelos de aprendizaje de máquinas son métodos que pueden ser de regresión o de clasificación y están siendo usados para desarrollar modelos de previsión de irradiación solar global, específicamente en modelos predictivos que poder ser usados para optimizar los sistemas de control de las plantas de energía. El objetivo de este trabajo es implementar y comparar el desempeño de los modelos XGBoost y Boosting en la previsión de irradiación solar, usando el Índice Oceánico El Niño (del inglés ONI) como predictor en cinco bancos de datos diferentes: Global con ONI; Global, La Niña, El Niño y Neutro sin ONI, para los horizontes temporales 2 min, 10 min, 30 min, 1h, 1 día, 7 días, siendo analizados bajo las mismas condiciones climáticas en la ciudad de Fortaleza, en el estado de Ceará, 3° 43’ 2’’S, 38° 32’ 35’’O. Fueron analizados el banco Global que contiene todas las observaciones incluyendo el ONI como predictor; y los bancos que no usaron el ONI como predictor: Global, La Niña, El Niño y Neutro, con el fin de conocer el efecto del ONI sobre la previsión de irradiación solar. El banco Global con ONI obtuvo valores menores de RMSE en comparación con el banco Global sin ONI para los horizontes 2 min y 10 min. El modelo XGBoost en el banco Global con ONI mostró un valor de nRMSE 52.08% menor que en los otros bancos no horizonte 2 min. El modelo Boosting presentó en el banco Neutro sin ONI un valor de nRMSE 39.26% menor de que en los otros bancos para el horizonte 1 h. En el desempeño general de los modelos, el Boosting tuvo mejores resultados, pero con el análisis de los valores de FS se percibió que el modelo XGBoost mostró un desempeño similar con valores de menos de 1% de diferencia. Al observar los valores de FS en los bancos que contienen observaciones con ocurrencia del ONI (Global, La Niña y El Niño) se percibe la tendencia positiva afectando la sensibilidad de la previsión de irradiación solar.pt_BR
dc.title.enSolar irradiance prediction using machine learning with tree models and the influence of the El Niño Ocean Index (ONI)pt_BR
Aparece nas coleções:DEME - Dissertações defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_dis_dmjloayza.pdfDissertação de David Mickely Jaramillo Loayza10,02 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


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