Desenvolvimento de uma ferramenta para previsão de curto prazo da geração de energia fotovoltaica
![Thumbnail](/bitstream/handle/1/22621/DIS_PPGEE_2021_FISCHER_DARLAN.pdf.jpg?sequence=5&isAllowed=y)
Visualizar/ Abrir
Data
2021-05-12Primeiro membro da banca
Santos, Laura Lisiane Callai dos
Segundo membro da banca
Rodrigues, Mauro Fonseca
Metadata
Mostrar registro completoResumo
A disseminação de sistemas fotovoltaicos na distribuição de energia elétrica, como complemento às unidades geradoras de grande porte centralizadas, motiva a pesquisa relacionada à previsão da capacidade horária de geração distribuída de eletricidade. Uma boa exatidão na previsão da geração fotovoltaica pode contribuir com a redução da variabilidade resultante da incerteza da potência de saída do sistema fotovoltaico, melhorando a estabilidade e despacho do mesmo. Desta forma, a proposição de novos modelos que apresentem uma boa capacidade preditiva é, portanto, de grande interesse aos responsáveis pela operação de sistemas de geração fotovoltaica. O presente trabalho tem como propósito apresentar um método de desenvolvimento de Redes Neurais Artificiais (RNAs) para a previsão de geração fotovoltaica utilizando o modelo de rede neural Perceptron de Múltiplas Camadas, tendo em vista auxiliar na confiabilidade de operação do sistema, ajuste do planejamento e permitir o despacho otimizado. Características locais são as informações de entrada do modelo que visa analisar a influência de quatro variáveis meteorológicas sendo elas: radiação (W/m²), temperatura ambiente (°C), velocidade do vento (m/s) e umidade (%). Todos os dados utilizados para treinamento e teste da capacidade preditiva das RNAs são dados reais de monitoramento, provenientes de uma estação meteorológica e de uma usina de geração fotovoltaica. Foram realizados testes de capacidade de previsão de geração para uma usina fotovoltaica de 100 kWp para o período de janeiro de 2020 a junho de 2020, a partir do treinamento de 60 RNAs no qual realizou-se a avaliação estatística dos resultados em relação à variação do número de neurônios em uma faixa estipulada. O melhor desempenho da RNA foi definido a partir da análise do coeficiente de correlação e das métricas Erro Médio Absoluto (MAE) e Raiz do Erro Médio Quadrático (RMSE). Com o intuito de validar a capacidade de previsão da RNA, realizou-se a avaliação para cada mês separadamente e por fim verificou-se a sensibilidade de cada uma das variáveis de entrada no desempenho do modelo proposto. Em suma, todos os resultados obtidos durante o estudo são satisfatórios e capazes de comprovar a capacidade de predição das RNAs desenvolvidas, isso pois, para todos os casos em estudo o coeficiente de correlação apresentou valores superior a 0,9 o qual indica uma correlação sináptica muito forte.
Coleções
Os arquivos de licença a seguir estão associados a este item: