Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Quiroz, Dante Edson Sifuentes
Orientador(a): Finardi, Erlon Cristian
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
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
Link de acesso: https://repositorio.ufsc.br/handle/123456789/185494
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2017
id UFSC_5cd1793d4ccfcdebb0ce2c623df7c630
oai_identifier_str oai:repositorio.ufsc.br:123456789/185494
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaQuiroz, Dante Edson SifuentesFinardi, Erlon CristianRosa, Mauro Augusto da2018-04-13T19:30:53Z2018-04-13T19:30:53Z2017351925https://repositorio.ufsc.br/handle/123456789/185494Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2017A crescente participação das fontes de energias renováveis, especialmente a energia eólica, na matriz energética traz grandes desafios tanto ao produtor como ao operador do Sistema Interligado Nacional (SIN). Contudo a incerteza associada à fonte e ao horizonte de produção desse tipo de energia leva a uma dificuldade quando se quer inseri-la na rede elétrica. Por isso, este trabalho de pesquisa se enquadra principalmente na área de previsão de energia eólica no curto prazo.Esta previsão da energia eólica comumente é solucionada com o uso de métodos físicos ou estatísticos. Sem embargo, nos últimos anos o método estatístico foi misturado com sistemas inteligentes, resultando em um menor esforço computacional devido a maior velocidade de processamento. Com o intuito avaliar a velocidade de processamento e os índices de desempenho das metodologias, são comparadas as redes perceptron multicamada e as redes de base radial.Este estudo foi realizado por meio dos dados fornecidos pelo sistema SCADA, no parque eólico de Beberibe, no Ceará. Para isso, os dados são submetidos a um processo de filtragem assim como um ajuste dos dados em relação a curva teórica do aerogerador.Posteriormente foram feitas simulações com as redes neurais artificiais com diferentes quantidades de neurônios na camada intermediaria com o objetivo de evitar problemas de aprendizagem.Finalmente, são comparadas as metodologias e são realizadas previsões para três horizontes de análise de 24, 48 e 72 horas.Abstract: The increasing participation of renewable energy sources, especially wind energy, in the energy matrix shows major challenges for both: the producer and the operator of the national interconnected system. However, the uncertainty associated with the source and the production of this type of energy leads to a difficulty when inserting into the electric grid. This is why this research work is focused on wind energy forecasting in the short-term.This wind power forecast is usually solved using either physical or statistical methods. However, in recent years the statistical method was combinated to intelligent systems, resulting in a lower computational effort due to higher processing speed. In order to evaluate the processing speed and performance indices of the methodologies, the multilayer perceptron networks and the radial basis networks are compared.This study was carried out using data provided by the SCADA system at the Beberibe wind farm, in Ceará. For this, the data are submitted to a filtering process as well as an adjustment of the data in relation to the theoretical curve of the wind turbine.Then, simulations were performed with neural network with different amounts of neurons in the intermediate layer in order to avoiding learning problems.Finally, the methodologies are compared and forecasts are made for the three analysis horizons of 24, 48 and 72 hours ahead.145 p.| il., grafs., tabs.porEngenharia elétricaEnergia eólicaAnálise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólicainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL1766-D.pdfPEEL1766-D.pdfapplication/pdf8053430https://repositorio.ufsc.br/bitstream/123456789/185494/-1/PEEL1766-D.pdf23bbc01cc71f733e76c7078173650e95MD5-1123456789/1854942018-04-13 16:30:53.566oai:repositorio.ufsc.br:123456789/185494Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732018-04-13T19:30:53Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
title Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
spellingShingle Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
Quiroz, Dante Edson Sifuentes
Engenharia elétrica
Energia eólica
title_short Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
title_full Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
title_fullStr Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
title_full_unstemmed Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
title_sort Análise comparativa de diferentes metodologias de redes neurais artificiais para previsão de geração eólica
author Quiroz, Dante Edson Sifuentes
author_facet Quiroz, Dante Edson Sifuentes
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Quiroz, Dante Edson Sifuentes
dc.contributor.advisor1.fl_str_mv Finardi, Erlon Cristian
dc.contributor.advisor-co1.fl_str_mv Rosa, Mauro Augusto da
contributor_str_mv Finardi, Erlon Cristian
Rosa, Mauro Augusto da
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Energia eólica
topic Engenharia elétrica
Energia eólica
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2017
publishDate 2017
dc.date.issued.fl_str_mv 2017
dc.date.accessioned.fl_str_mv 2018-04-13T19:30:53Z
dc.date.available.fl_str_mv 2018-04-13T19:30:53Z
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://repositorio.ufsc.br/handle/123456789/185494
dc.identifier.other.none.fl_str_mv 351925
identifier_str_mv 351925
url https://repositorio.ufsc.br/handle/123456789/185494
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 145 p.| il., grafs., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/185494/-1/PEEL1766-D.pdf
bitstream.checksum.fl_str_mv 23bbc01cc71f733e76c7078173650e95
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759273999073280

Registros relacionados