Mario Da Silva Araújo, Levi Maia Alves, Paulo Cesar Marques de Carvalho, T. C. Carneiro
{"title":"METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DA GERAÇÃO DE PLANTAS FOTOVOLTAICAS","authors":"Mario Da Silva Araújo, Levi Maia Alves, Paulo Cesar Marques de Carvalho, T. C. Carneiro","doi":"10.59627/rbens.2023v14i1.421","DOIUrl":null,"url":null,"abstract":"Previsões precisas da geração fotovoltaica (GFV) foram investigadas como significativas redutoras dos impactos que fontes intermitentes de geração elétrica fornecem aos sistemas elétricos. A previsão da GFV envolve incertezas que estão relacionadas às características das séries temporais do recurso solar e sua alta volatilidade devido à dependência de muitos condições do tempo. O presente artigo apresenta um estudo comparativo entre diferentes aplicações de Redes Neurais Artificiais (RNA) para a previsão horária da geração em duas plantas fotovoltaicas situadas no Laboratório de Energias Alternativas (LEA) da Universidade Federal do Ceará (UFC). No presente artigo, foram usadas duas configurações: a) RNA do tipo Perceptron com Múltiplas Camadas (MLP); e b) Rede Neural de Kohonen (SOM), ambas, treinadas com dados históricos de potência (W). Métricas de análise de desempenho foram aplicadas para avaliação e comparação das metodologias (coeficiente de correlação – r, eficiência de Nash-Sutcliffe – NSE e viés relativo – VR). Os resultados gerados pelas RNA mostraram que as aplicações com MLP apresentaram o melhor desempenho geral; as SOM obtiveram desempenho levemente abaixo e também apresentaram bom potêncial para uso na previsão de geração fotovoltaica. Ambas as RNA aplicadas obtiveram correlação próxima de 90%, baixo viés e NSE em torno de 0,80 e de 0,90 em algumas aplicações.","PeriodicalId":325444,"journal":{"name":"Revista Brasileira de Energia Solar","volume":"318 ","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-11-23","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista Brasileira de Energia Solar","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.59627/rbens.2023v14i1.421","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Previsões precisas da geração fotovoltaica (GFV) foram investigadas como significativas redutoras dos impactos que fontes intermitentes de geração elétrica fornecem aos sistemas elétricos. A previsão da GFV envolve incertezas que estão relacionadas às características das séries temporais do recurso solar e sua alta volatilidade devido à dependência de muitos condições do tempo. O presente artigo apresenta um estudo comparativo entre diferentes aplicações de Redes Neurais Artificiais (RNA) para a previsão horária da geração em duas plantas fotovoltaicas situadas no Laboratório de Energias Alternativas (LEA) da Universidade Federal do Ceará (UFC). No presente artigo, foram usadas duas configurações: a) RNA do tipo Perceptron com Múltiplas Camadas (MLP); e b) Rede Neural de Kohonen (SOM), ambas, treinadas com dados históricos de potência (W). Métricas de análise de desempenho foram aplicadas para avaliação e comparação das metodologias (coeficiente de correlação – r, eficiência de Nash-Sutcliffe – NSE e viés relativo – VR). Os resultados gerados pelas RNA mostraram que as aplicações com MLP apresentaram o melhor desempenho geral; as SOM obtiveram desempenho levemente abaixo e também apresentaram bom potêncial para uso na previsão de geração fotovoltaica. Ambas as RNA aplicadas obtiveram correlação próxima de 90%, baixo viés e NSE em torno de 0,80 e de 0,90 em algumas aplicações.