Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/65867| Tipo: | TCC |
| Título : | Aprendizado de máquina aplicado na previsão da geração de energia elétrica de uma usina solar fotovoltaica |
| Autor : | Silva, Lucas Tavares da |
| Tutor: | Leão, Ruth Pastôra Saraiva |
| Co-asesor: | Silva, André Wagner de Barros |
| Palabras clave : | Aprendizado de máquina;Energia solar;Inteligência artificial;Previsão;Geração de energia elétrica |
| Fecha de publicación : | 2022 |
| Citación : | SILVA, Lucas Tavares da. Aprendizado de máquina aplicado na previsão da geração de energia elétrica de uma usina solar fotovoltaica. 2022. 58 f. Monografia (Graduação em Engenharia Elétrica) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2022. |
| Resumen en portugués brasileño: | Tendo em vista a crescente inserção de geração solar fotovoltaica nas matrizes energéticas brasileira e mundial e considerando que a geração proveniente de fonte solar se caracteriza pela intermitência, surge, então, a necessidade de se ter modelos precisos para previsão da geração de energia solar, de modo a permitir melhor planejamento e operação da planta e do sistema elétrico como um todo. Desta forma, neste trabalho, é proposta a aplicação de Aprendizado de Máquina para a previsão da geração de uma usina solar fotovoltaica, de 160 MW de potência instalada, localizada no estado do Ceará. É considerada a tarefa de prever a geração futura, com granularidade horária, para um intervalo de 365 dias (um ano), a partir do conhecimento (treinamento) da série histórica de geração de energia e dados meteorológicos coletados na usina, também abrangendo o período de um ano. Para tal, foram implementados 13 diferentes modelos de previsão, distintos entre si em metodologia e/ou método de treinamento. Os modelos computacionais implementados no trabalho abrangeram abordagens de reconhecimento de sequências, Redes Neurais Artificiais (RNAs) e XGBoost, além de métodos híbridos, originados da combinação de dois métodos distintos. Os modelos implementados tiveram, então, suas performances avaliadas a partir de métricas de desempenho (erro frente à geração real), onde verificou-se qual modelo apresentou melhor previsão, a saber, o algoritmo XGBoost. A principal contribuição do trabalho foi a identificação dos modelos com melhor desempenho na tarefa proposta, inclusive quando considerada a indisponibilidade de dados meteorológicos. |
| Abstract: | Given the growing integration of photovoltaic (PV) solar power generation in Brazilian and world power grids and considering that solar power generation is intermittent, there is an urge to build prediction models to forecast the solar power output, in order to allow better planning and operation of the power plant and the electrical grid itself. Thus, this paper proposes the application of Machine Learning to forecast the power generation of a 160 MW PV plant located in the state of Ceará. It is proposed the task of forecasting the PV power output at hourly intervals for the next 365 days (one year), given the previous year's time series of PV power outputs and weather data collected from the plant. To this end, 13 distinct prediction models were implemented, being different from each other in either methodology or training method. The models implemented in this paper are based on: sequences recognition, Artificial Neural Networks (ANNs), and XGBoost, as well as there is the use of hybrid models, coupling two distinct methods. Then, the implemented models had their performance evaluated using error-based metrics, which showed that the XGBoost model achieved the most accurate results. The main contribution of this work was the identification of the models with the best performance in the proposed task, including the scenario in which the weather data was unavailable. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/65867 |
| Aparece en las colecciones: | ENGENHARIA ELÉTRICA - Monografias |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2022_tcc_ltsilva.pdf | 2,67 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.