Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30643| Título: | Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares |
| Título(s) alternativo(s): | Time series analysis using Extreme Learning Machine (ELM) for power forecasting in solar panels |
| Autor(es): | Ribeiro, Victor Hugo Chimilovski |
| Orientador(es): | Dal Molin, Viviane |
| Palavras-chave: | Aprendizado do computador Geração de energia fotovoltaica Algoritmos Otimização matemática Análise de séries temporais Machine learning Photovoltaic power generation Algorithms Mathematical optimization Time-series analysis |
| Data do documento: | 7-Dez-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | RIBEIRO, Victor Hugo Chimilovski. Análise de séries temporais utilizando Aprendizado de Máquina ao Extremo (ELM) para previsão de potência em painéis solares. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | Pensando na importância das energias renováveis e seus desenvolvimentos tecnológicos, o uso de ferramentas computacionais e estatísticas para auxiliar na sua administração e manejo, pode ser um próximo passo para um crescimento e incentivo no uso dessas fontes energéticas sustentáveis, como usinas fotovoltaicas. Utilizando séries temporais e seus métodos de análise para descrever o conjunto amostral, pode-se realizar previsões estatísticas estocásticas com as mesmas e ao aplicar o modelo inteligente de Aprendizado de Maquina ao Extremo (ELM) têm-se uma melhora na acurácia dessas previsões. Aproveitando para encontrar os melhores hiperparâmetros na inicialização do ELM, o uso de meta-heurísticas de otimização como: Coyote Optimization Algorithm(COA), Differential Evolution (DE) e Particle Swarm Optimization (PSO), refinam os resultados de previsões e também é possível realizar um comparativo entre elas, indicando a melhor para aplicação em questão com o uso da minimização de erro de previsão como métrica de comparação. Com isso é possível notar resultados promissores numa acurácia próxima a 98% com a meta-heurística do PSO. |
| Abstract: | Thinking about the importance of renewable energies and their technological developments, the use of computational and statistical tools to assist in their administration and management, can be a next step towards growth and encouragement in the use of these sustainable energy sources, such as photovoltaic plants. Using time series and their analysis methods to describe the sample set, stochastic statistical forecasts can be made with them and by applying the intelligent model of Extreme Learning Machine (ELM) there is an improvement in the accuracy of these forecasts. Taking advantage of finding the best hyperparameters at ELM initialization, the use of optimization meta-heuristics such as: Coyote Optimization Algorithm(COA), Differential Evolution (DE) and Particle Swarm Optimization (PSO), refine the forecast results and it is also possible to make a comparison between them, indicating the best one for the application in question with the use of forecast error minimization as a comparison metric. With this, it is possible to notice promising results in an accuracy close to 98% with the PSO meta-heuristic. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30643 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| seriestemporaisenergiasolar.pdf | 735,48 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
