Deep learning aplicado a predições na geração de energia solar fotovoltaica.

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Santos, Sávio José Sena
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/001300000292m
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado do computador
Análise de séries temporais
Geração de energia fotovoltaica
Link de acesso: https://www.repositorio.ufop.br/handle/123456789/18966
Resumo: Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_b9915954e5abe8b8f8be07eb5ea5c680
oai_identifier_str oai:repositorio.ufop.br:123456789/18966
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Deep learning aplicado a predições na geração de energia solar fotovoltaica.Aprendizado do computadorAnálise de séries temporaisGeração de energia fotovoltaicaPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.A transição energética e seu foco na descarbonização das indústrias intensivas globais é uma oportunidade significativa para o setor de mineração e metais. Espera-se o aumento na demanda por infraestrutura verde, ou seja, a utilização de energia proveniente de fontes renováveis com baixo impacto ambiental. A implantação de usinas de geração fotovoltaica para esta finalidade é uma tendência global e vem ocorrendo também no Brasil. A Inteligência artificial apresenta-se como uma importante ferramenta para a operacionalidade e manutenibilidade destas usinas. A utilização de técnicas de Inteligência Artificial podem apoiar na previsão da geração de energia e tornar um fator diferencial para estas usinas. A pesquisa conduzida abordou de maneira quantitativa o desenvolvimento de modelos preditivos utilizando técnicas de redes neurais profundas, conhecidas como “Deep Learning”. O objetivo principal da pesquisa foi atingir uma precisão aceitável nas previsões de curto prazo, abrangendo horizontes de predição online, 1 hora e 24 horas, e considerando diversos cenários que envolvem diferentes conjuntos de instrumentação de campo. Adicionalmente, foram integrados dados de outros algoritmos para avaliar sua utilidade em aprimorar os resultados dos modelos. Foram utilizadas diferentes arquiteturas de redes neurais, tais como LSTM, CNN, MLP, GRU, BiLSTM, e combinações híbridas de LSTM com CNN. Para treinar e validar os modelos, foram utilizados dados históricos de irradiação solar e outras variáveis meteorológicas, obtidos de uma base de dados pública. Adicionalmente, aplicou-se a técnica de transferência de aprendizado entre modelos de redes neurais, permitindo a transferência de conhecimento para um modelo treinado com um volume limitado de dados de uma usina real. Os experimentos mostraram que os modelos de Deep Learning que empregam arquiteturas de redes neurais recorrentes ou híbridas são altamente eficazes, capturando com sucesso as dependências temporais e características espaciais dos dados. Esses modelos também apresentaram menor erro em comparação aos obtidos por modelos fotovoltaicos que utilizam dados do ano meteorológico típico (TMY). Para um horizonte de predição de 24 horas, a métrica MAPE (Erro Percentual Absoluto Médio) indicou uma melhoria de 53% para o modelo Single Step e de 43% para o modelo Multi Step em relação à linha de base. Já para um horizonte de predição de 1 hora, a mesma métrica demonstrou uma melhoria de 82% para o modelo Single Step e de 27% para o modelo Multi Step, comparados à linha de base. Um software também foi desenvolvido para ser implementado em usinas fotovoltaicas, utilizando os modelos mais eficazes identificados na pesquisa. Esse software é versátil, podendo ser aplicado em ambientes industriais das usinas de qualquer porte, como, por exemplo, a usina Sol do Cerrado.The energy transition and its focus on decarbonizing global intensive industries rep- resent a significant opportunity for the mining and metals sector. An increase in the demand for green infrastructure is expected, meaning the use of energy from renewable sources with low environmental impact. The deployment of photovoltaic power plants for this purpose is a global trend and is also occurring in Brazil. Artificial intelligence emerges as an important tool for the operationality and maintainability of these plants. Deep Learning algorithms can support in predicting energy generation and become a dif- ferential factor for these new systems. The conducted study addressed in a quantitative manner, developing predictive models based on deep neural network techniques, focusing on MLP (Multi-Layer Perceptrons), CNN (Convolutional Neural Networks), and RNN (Recurrent Neural Networks). Historical data on solar irradiation and other meteoro- logical variables were used to train and validate the models. The main objective of the research was to achieve accuracy in short-term forecasts, which are fundamental for the management and energy planning of solar plants. A methodology is also proposed to im- prove the performance of AI models, in addition to the development of software dedicated to application in plants. The energy transition and its focus on the decarbonization of global intensive industries present a significant opportunity for the mining and metals sector. An increase in demand for green infrastructure is expected, that is, the use of energy from renewable sources with low environmental impact. The implementation of photovoltaic generation plants for this purpose is a global trend and is also occurring in Brazil. Artificial intelligence presents itself as an important tool for the operability and maintainability of these plants. The use of artificial intelligence techniques can support energy generation forecasting and become a differential factor for these plants. The conducted research quantitatively addressed the development of predictive models using deep neural network techniques, known as ”Deep Learning.” The main objective of the research was to achieve acceptable accuracy in short-term forecasts, covering online, 1-hour, and 24-hour prediction horizons, and considering var- ious scenarios involving different sets of field instrumentation. Additionally, data from other algorithms were integrated to assess their usefulness in improving model results. Different neural network architectures were used, such as LSTM, CNN, MLP, GRU, BiLSTM, and hybrid combinations of LSTM with CNN. To train and validate the models, historical solar irradiance and other meteorological variables data, obtained from a public database, were used. Additionally, the technique of transfer learning between neural network models was applied, allowing the transfer of knowledge to a model trained with a limited volume of data from a real plant. The experiments showed that Deep Learning models employing recurrent or hybrid neural network architectures are highly effective, successfully capturing the temporal de- pendencies and spatial characteristics of the data. These models also exhibited lower error compared to photovoltaic models using Typical Meteorological Year (TMY) data. For a 24-hour prediction horizon, the MAPE metric indicated an improvement of 53% for the Single Step model and 43% for the Multi Step model compared to the baseline. For a 1-hour prediction horizon, the same metric demonstrated an improvement of 82% for the Single Step model and 27% for the Multi Step model compared to the baseline Software was also developed to be implemented in photovoltaic plants, utilizing the most effective models identified in the research. This software is versatile, capable of being applied in industrial environments of plants of any size, such as the Sol do Cerrado solar power plant.Coelho, Bruno NazárioBaroni, Bruno RandazzoCoelho, Bruno NazárioBaroni, Bruno RandazzoPessin, GustavoNascimento, Diego Carvalho doSantos, Sávio José Sena2024-11-13T20:44:48Z2024-11-13T20:44:48Z2024info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSANTOS, Sávio José Sena. Deep learning aplicado a predições na geração de energia solar fotovoltaica. 2024. 103 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.https://www.repositorio.ufop.br/handle/123456789/18966ark:/61566/001300000292mAttribution-NonCommercial-ShareAlike 3.0 United Stateshttp://creativecommons.org/licenses/by-nc-sa/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 17/07/2024 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2025-08-20T04:30:17Zoai:repositorio.ufop.br:123456789/18966Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332025-08-20T04:30:17Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Deep learning aplicado a predições na geração de energia solar fotovoltaica.
title Deep learning aplicado a predições na geração de energia solar fotovoltaica.
spellingShingle Deep learning aplicado a predições na geração de energia solar fotovoltaica.
Santos, Sávio José Sena
Aprendizado do computador
Análise de séries temporais
Geração de energia fotovoltaica
title_short Deep learning aplicado a predições na geração de energia solar fotovoltaica.
title_full Deep learning aplicado a predições na geração de energia solar fotovoltaica.
title_fullStr Deep learning aplicado a predições na geração de energia solar fotovoltaica.
title_full_unstemmed Deep learning aplicado a predições na geração de energia solar fotovoltaica.
title_sort Deep learning aplicado a predições na geração de energia solar fotovoltaica.
author Santos, Sávio José Sena
author_facet Santos, Sávio José Sena
author_role author
dc.contributor.none.fl_str_mv Coelho, Bruno Nazário
Baroni, Bruno Randazzo
Coelho, Bruno Nazário
Baroni, Bruno Randazzo
Pessin, Gustavo
Nascimento, Diego Carvalho do
dc.contributor.author.fl_str_mv Santos, Sávio José Sena
dc.subject.por.fl_str_mv Aprendizado do computador
Análise de séries temporais
Geração de energia fotovoltaica
topic Aprendizado do computador
Análise de séries temporais
Geração de energia fotovoltaica
description Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-13T20:44:48Z
2024-11-13T20:44:48Z
2024
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 SANTOS, Sávio José Sena. Deep learning aplicado a predições na geração de energia solar fotovoltaica. 2024. 103 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
https://www.repositorio.ufop.br/handle/123456789/18966
dc.identifier.dark.fl_str_mv ark:/61566/001300000292m
identifier_str_mv SANTOS, Sávio José Sena. Deep learning aplicado a predições na geração de energia solar fotovoltaica. 2024. 103 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
ark:/61566/001300000292m
url https://www.repositorio.ufop.br/handle/123456789/18966
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-ShareAlike 3.0 United States
http://creativecommons.org/licenses/by-nc-sa/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 3.0 United States
http://creativecommons.org/licenses/by-nc-sa/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654653693886464

Registros relacionados