Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31937| Título: | Previsão de potência gerada por sistema fotovoltaico na cidade de Foz do Iguaçu de acordo com dados meteorológicos |
| Título(s) alternativo(s): | Power prediction of a photovoltaic system located in Foz do Iguaçu city according to meteorological data |
| Autor(es): | Perego Junior, Domingos |
| Orientador(es): | Konopatzki, Evandro André |
| Palavras-chave: | Geração de energia fotovoltaica Aprendizado do computador Análise de regressão Photovoltaic power generation Machine learning Regression analysis |
| Data do documento: | 3-Nov-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | PEREGO JUNIOR, Domingos. Previsão de potência gerada por sistema fotovoltaico na cidade de Foz do Iguaçu de acordo com dados meteorológicos. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Medianeira, 2022. |
| Resumo: | A energia solar vem ganhando espaço nos últimos anos como uma alternativa renovável à utilização de combustíveis fósseis. No entanto, sua geração está atrelada às condições meteorológicas. Dessa forma, é proposta a utilização dos algoritmos de regressão Support Vector Machines, Árvores de Decisão, Nearest Neighbors, e Rede Neural Artificial para prever a potência gerada por um sistema fotovoltaico localizado na cidade de Foz do Iguaçu com base em dados meteorológicos. Os dados obtidos foram tratados, e realizou-se a seleção de variáveis por meio de uma análise exploratória, onde foi avaliado o coeficiente de correlação e gráficos de dispersão. Nessa análise determinou-se que as variáveis que mais influenciam na potência gerada são: radiação solar, temperatura, umidade, ponto de orvalho, chuva, hora e mês. Posteriormente os modelos de regressão foram treinados e validados por meio de validação cruzada. Utilizou-se 10% do conjunto de dados para teste do modelo por meio das métricas RMSE, MAPE e R2, sendo que, de acordo com essas métricas, os melhores algoritmos são o SVR e RNA. O Teste de Dunnett com intervalo de confiança de 95% foi utilizado para comparar as médias obtidas por cada um dos algoritmos com os valores reais, e seu resultado indicou que não há diferença significativa entre elas, sugerindo que todos os algoritmos propostos são adequados para a realização da previsão. |
| Abstract: | Photovoltaic power is getting popular lately as a reneweable alternative to fossil fuel consumption. However, its power generation is linked to meteorological factors. The use of the regression algorithms Support Vector Machines, Decision Trees, Nearest Neighbors, and an Artificial Neural Network are proposed to predict the amount of power generated by a solar power plant located in Foz do Iguaçu city, based on meteorological data. The data was treated, and a feature selection was performed after an exploratory data analysis, evaluating the correlation coefficient and scatter plots. In this context, the selected variables were: solar radiation, temperature, humidity, dew point, rain, hour and month. After that, the regression models were trained and validated using cross validation. 10% of the dataset was designated to be used as a test set, using RMSE, MAPE and R2 as evaluation metrics. According to these metrics, the best algorithms are SVR and ANN. A Dunnett’s Test with a Confidence Interval of 95% was performed to compare the means obtained by each one of the algorithms and the real data, pointing out that there is not a significant difference between the algorithms and the real data, suggesting that all of them are fitted for the prediction. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31937 |
| Aparece nas coleções: | MD - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaopotenciageradafotovoltaico.pdf | 1,19 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
