Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/74025| Tipo: | Dissertação |
| Título : | Redes neurais randomizadas para determinação da curva de potência de aerogeradores |
| Título en inglés: | Randomized neural networks to determine the power curve of wind turbines |
| Autor : | Silva, Tarsis Lima da |
| Tutor: | Barreto, Guilherme de Alencar |
| Palabras clave : | Curva de potência;Ajuste de curvas;Geração eólica;Redes neurais randomizadas;Regressão não-linear;Power curve;Curves fitting;Wind generation;Randomized neural networks;Non-linear regression |
| Fecha de publicación : | jul-2022 |
| Citación : | SILVA, Tarsis Lima da. Redes neurais randomizadas para determinação da curva de potência de aerogeradores. 2022. 60 f. Dissertação (Mestrado em Modelagem e Métodos Quantitativos) – Centro de CIências, Universidade Federal do Ceará, 2022. |
| Resumen en portugués brasileño: | A modelagem da curva de potência de turbina eólicas (WTPC, na sigla em inglês) a partir de dados medidos é fundamental para prever a energia elétrica efetivamente gerada pelos parques eólicos. Regressão polinomial é geralmente a primeira escolha para modelagem da curva de potência devido à sua ampla disponibilidade em pacotes de software conhecidos, como MS-Excel (especificamente com o pacote Solver), mas existem várias alternativas poderosas baseadas, por exemplo, em redes neurais e algoritmos fuzzy. No que diz respeito ao paradigma neural, a redescoberta de uma classe de algoritmos supervisionados, genericamente chamados de redes neurais randomizadas, tem despertado o interesse de seu uso em aplicações práticas, devido principalmente ao rápido processo de treinamento. No entanto, a aplicação de redes randomizadas na modelagem de curvas de potência não é imediata e comumente apresenta soluções incorretas, aqui chamadas de soluções patológicas, apesar dos bons valores alcançados pelos índices de desempenho numéricos tradicionais, como o coeficiente de determinação Rˆ2. Nesta dissertação, um estudo crítico abrangente é realizado a fim de avaliar a aplicação de redes randomizadas na modelagem de curvas de potência de aerogeradores. Serão avaliadas três arquiteturas, a saber, rede random vector functional link (RVFL), a rede extreme learning machine (ELM) e a rede No-Propagation (NoProp) em dois conjuntos de dados reais. Adaptações destas são propostas e avaliadas quanto à ocorrência de soluções patológicas. Os desempenhos das redes randomizadas acima mencionadas são comparados com o do modelo de regressão polinomial e com o da rede perceptron multicamadas (MLP, na sigla em inglês). O estudo realizado conclui que as redes randomizadas são viáveis no trato da tarefa de interesse e apresentam desempenho superior aos modelos supracitados, tanto em termos numéricos, quanto em rapidez na construção do modelo de regressão, sem geração de soluções patológicas. |
| Abstract: | Modeling the wind turbine power curve (WTPC) from measured data is critical to predict the electricity actually generated by wind farms. Polynomial regression is usually the first choice for WTPC modeling due to its wide availability in well-known software packages, but there are several powerful alternatives based, for example, on neural networks and fuzzy algorithms. With regarding the neural paradigm, the rediscovery of a class of supervised algorithms, generically called randomized neural networks, has aroused the interest of its use in practical applications, mainly due to the fast training process. However, the application of random networks in the modeling of power curves is not immediate and commonly presents incorrect solutions, here called pathological solutions, despite the good values achieved by the standard performance numerical indices, such as determining the Rˆ2 coefficient. In this thesis, a comprehensive critical study is carried out in order to evaluate the feasibility of using randomized networks in power curve modeling. Three architectures will be evaluated, namely, Random Vector Functional Link (RVFL), Extreme Learning Machine (ELM) and NoPropagation Network (No-Prop) on two real data sets. The adaptations are proposed and evaluated for the occurrence of pathological solutions. The performances of the aforementioned randomized networks are compared with the polynomial regression model and with the MLP (Multilayer Perceptron) network. The study carried out concludes that randomized networks are viable in the treatment of task of interest and present superior performance to the aforementioned models, both in numerical performance and in speed in the construction of the regression model, without generating pathological solutions |
| URI : | http://www.repositorio.ufc.br/handle/riufc/74025 |
| Aparece en las colecciones: | DEMA - Dissertações defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2022_dis_tldasilva.pdf | 2,35 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.