Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP (2021)
- Authors:
- Autor USP: FONSECA, WELLINGTON WINICIUS FERREIRA - IEE
- Unidade: IEE
- DOI: 10.11606/D.106.2021.tde-05102021-143524
- Subjects: SISTEMAS FOTOVOLTAICOS; ENERGIA SOLAR; REDES NEURAIS
- Keywords: aprendizado de máquinas; artificial neural networks; energia solar; machine learning; Photovoltaic systems; previsão de geração; PV power forecasting; rede neural artificial; sistemas fotovoltaicos; Solar energy
- Language: Português
- Abstract: O desenvolvimento de modelos de previsão de energia está entre as principais estratégias para manter um rápido crescimento de energias renováveis intermitentes, como a Solar Fotovoltaica (FV), ao mesmo tempo que auxilia na mitigação de desafios relacionados à gestão de sistemas conectados à rede. Neste trabalho, um método estatístico baseado em Rede Neural Recorrente (RNN) foi desenvolvido para prever uma, duas e três horas futuras da produção de energia de uma usina fotovoltaica conectada à rede de 540 kWp, instalada no Instituto de Energia e Meio Ambiente do Universidade de São Paulo (USP). As entradas padrão do modelo RNN são dados meteorológicos, dados ambientais e série temporal da produção de energia da usina FV. A série histórica foi dividida em meses secos (abril a setembro) e chuvosos (outubro a março). Este trabalho também visa avaliar a influência do aerossol atmosférico como preditor do modelo de previsão. Assim, dados de reanálise de Profundidade Óptica de Aerossol (AOD) interpolados de hora em hora a partir do modelo MERRA-2 foram incluídos como entrada adicional em um segundo modelo RNN. Um algoritmo de força bruta determinou a arquitetura de três camadas ocultas com trinta neurônios cada. A mesma arquitetura foi aplicada para todos os horizontes de tempo avaliados, bem como com ou sem dados AOD. A precisão dos modelos RNN de previsão foi avaliada por meio do erro quadrático médio (MSE), raiz do erro quadrático médio nominal (NRMSE) e Skill Score (SSMSE) emcomparação com um modelo de persistência smart. Os modelos desenvolvidos apresentaram RMSE variando entre 4,53% e 7,24% para os meses secos e 5,93% e 8,1% para os meses chuvosos. O método aplicado neste trabalho superou de forma consistente o modelo de persistência para todos os cenários avaliados, especialmente durante os meses chuvosos, com valores de SSMSE observados variando entre 0,67 e 0,92. Finalmente, a inclusão de dados de AOD resultou no aumento do SSRMSE em 2,27% no desempenho do modelo de previsão durante os meses secos
- Imprenta:
- Data da defesa: 09.08.2021
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
FONSECA, Wellington Winicius Ferreira. Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP. 2021. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/. Acesso em: 13 fev. 2026. -
APA
Fonseca, W. W. F. (2021). Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/ -
NLM
Fonseca WWF. Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP [Internet]. 2021 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/ -
Vancouver
Fonseca WWF. Rede neural recorrente para previsão de curto prazo da usina fotovoltaica de 540 kWp da USP [Internet]. 2021 ;[citado 2026 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/106/106134/tde-05102021-143524/
Informações sobre o DOI: 10.11606/D.106.2021.tde-05102021-143524 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
