Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso

Orientador: Professor Dr. Eduardo Parente Ribeiro

Detalles Bibliográficos
Autor: Lima, Lucas Tokarski
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2024
País:Brasil
Institución:Universidade Federal do Paraná (UFPR)
Repositorio:Repositório Institucional da UFPR
Idioma:portugués
OAI Identifier:oai:acervodigital.ufpr.br:1884/95195
Acceso en línea:https://hdl.handle.net/1884/95195
Access Level:acceso abierto
Palabra clave:Recursos naturais renováveis
Energia elétrica - Aspectos ambientais
Geraçao de energia fotovoltaica
Engenharia Elétrica
id BR_7e8a89c19c6ac80d56ea0ad33dcd207c
oai_identifier_str oai:acervodigital.ufpr.br:1884/95195
network_acronym_str BR
network_name_str Brasil
repository_id_str
dc.title.pt_BR.fl_str_mv Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
title Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
spellingShingle Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
Lima, Lucas Tokarski
Recursos naturais renováveis
Energia elétrica - Aspectos ambientais
Geraçao de energia fotovoltaica
Engenharia Elétrica
title_short Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
title_full Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
title_fullStr Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
title_full_unstemmed Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
title_sort Predição de geração fotovoltaica baseada em condições ambientais : um estudo de caso
dc.creator.none.fl_str_mv Lima, Lucas Tokarski
author Lima, Lucas Tokarski
author_facet Lima, Lucas Tokarski
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Ribeiro, Eduardo Parente, 1967-
contributor_str_mv Ribeiro, Eduardo Parente, 1967-
dc.subject.por.fl_str_mv Recursos naturais renováveis
Energia elétrica - Aspectos ambientais
Geraçao de energia fotovoltaica
Engenharia Elétrica
topic Recursos naturais renováveis
Energia elétrica - Aspectos ambientais
Geraçao de energia fotovoltaica
Engenharia Elétrica
description Orientador: Professor Dr. Eduardo Parente Ribeiro
publishDate 2024
dc.date.issued.fl_str_mv 2024
dc.date.accessioned.fl_str_mv 2025-03-07T14:15:25Z
dc.date.available.fl_str_mv 2025-03-07T14:15:25Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/95195
url https://hdl.handle.net/1884/95195
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/95195/1/R%20-%20D%20-%20LUCAS%20TOKARSKI%20LIMA.pdf
bitstream.checksum.fl_str_mv aa4d9ee3866ad5da5868a579615b9b0b
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1853668795604795392
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaRibeiro, Eduardo Parente, 1967-2025-03-07T14:15:25Z2025-03-07T14:15:25Z2024https://hdl.handle.net/1884/95195Orientador: Professor Dr. Eduardo Parente RibeiroDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 30/07/2024Inclui referênciasÁrea de concentração: Sistemas EletrônicosResumo: A geração fotovoltaica cresce rapidamente a cada ano. A capacidade instalada das usinas fotovoltaicas (UFVs) no Brasil tem potencial para superar usinas hidrelétricas no horizonte de 30 anos. Os dados provenientes de monitoramento de sistemas fotovoltaicos são importantes para gerenciamento e investigações, mas muitas vezes apresentam amostras faltantes por várias causas, geralmente relacionadas ao sistema de comunicação e armazenamento. Para suprir essa falta, avaliamos um preenchimento de dados fotovoltaicos com algoritmos treinados de forma supervisionada, usando durante a etapa de aprendizado a potência gerada por usinas próximas e de usinas distantes, temperatura dos módulos solares, radiação solar e a velocidade do vento. Métodos baseados em regressão linear e redes neurais foram analisados neste estudo de caso do sistema fotovoltaico instalado no campus da Universidade Federal do Paraná. Foi analisada uma base de dados de 122 dias, abrangendo 5 inversores e uma estação meteorológica. Após a normalização dos dados, foram realizados 8 experimentos para determinar o melhor modelo de predição da geração solar, baseado em regressão linear ou rede neural. Utiliza-se a potência de inversores próximos ou distantes para o treino, além de variáveis meteorológicas; a radiação solar, temperatura do módulo e velocidade do vento foram analisados. Foi implementado a correlação de Pearson para avaliar a semelhança entre as variáveis. Após os experimentos, o modelo que obteve o melhor desempenho foi o da rede neural com 60 neurônios na camada oculta, auxiliado pela radiação solar e temperatura do módulo. A velocidade do vento foi validada como irrelevante durante os experimentos. Utilizando o melhor modelo foi possível prever o inversor 1, com o treino de um sistema próximo mais as variáveis meteorológicas e obteve-se um RMSE(Root Mean Squared Error) de 2.54%. Em contrapartida, ao prever o mesmo inversor com sistemas distantes (400 metros), obteve-se um RMSE de 8.28%Abstract: The photovoltaic generation sector grows rapidly each year. The installed capacity of photovoltaic power plants (UFVs) in Brazil has the potential to surpass that of hydroelectric plants within the next 30 years. Data from photovoltaic system monitoring is crucial for management and research purposes, though it often contains missing samples due to various causes, typically related to communication and storage systems. To address these gaps, we evaluated the imputation of photovoltaic data using supervised learning algorithms, incorporating power generated by nearby and distant plants, module temperature, solar radiation, and wind speed as input data in the learning phase. In this case study of the photovoltaic system installed at the Federal University of Paraná campus, methods based on linear regression and neural networks were analyzed. A 122-day dataset was analyzed, encompassing five inverters and one meteorological station. Following data normalization, eight experiments were conducted to determine the best predictive model for solar generation, based on linear regression or neural networks. The training utilized power data from nearby and distant inverters, along with meteorological variables such as solar radiation, module temperature, and wind speed. Pearson’s correlation was applied to assess the similarity between variables. After the experiments, the model that achieved the best performance was the neural network model with 60 neurons in the hidden layer, supported by solar radiation and module temperature, with wind speed confirmed as irrelevant during testing. Using the best-performing model, it was possible to predict the output of inverter 1, using training data from a nearby system combined with meteorological variables, achieving a Root Mean Squared Error (RMSE) of 2.54%. Conversely, when predicting the same inverter with data from distant systems (400 meters away), an RMSE of 8.28% was obtained1 recurso online : PDF.application/pdfRecursos naturais renováveisEnergia elétrica - Aspectos ambientaisGeraçao de energia fotovoltaicaEngenharia ElétricaPredição de geração fotovoltaica baseada em condições ambientais : um estudo de casoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessLima, Lucas TokarskiORIGINALR - D - LUCAS TOKARSKI LIMA.pdfapplication/pdf7521009https://acervodigital.ufpr.br/bitstream/1884/95195/1/R%20-%20D%20-%20LUCAS%20TOKARSKI%20LIMA.pdfaa4d9ee3866ad5da5868a579615b9b0bMD51open access1884/951952025-03-07 11:15:25.882open accessoai:acervodigital.ufpr.br:1884/95195Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082025-03-07T14:15:25Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
score 15,301629

Similares en LA Referencia