METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DA GERAÇÃO DE PLANTAS FOTOVOLTAICAS

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.
基于人工神经网络的光伏发电厂发电量预测方法
对光伏发电(PVG)的准确预测被认为是减少间歇性发电对电力系统影响的重要手段。光伏发电预测涉及不确定性,这些不确定性与太阳能资源的时间序列特征及其因依赖多种天气条件而产生的高波动性有关。本文对人工神经网络(ANN)在塞阿拉联邦大学(UFC)替代能源实验室(LEA)的两座光伏电站每小时发电量预测中的不同应用进行了比较研究。本文使用了两种配置:a)多层感知器(MLP)ANN;b)Kohonen 神经网络(SOM),两者均使用历史功率(W)数据进行训练。应用性能分析指标(相关系数 - r、纳什-苏特克利夫效率 - NSE 和相对偏差 - VR)来评估和比较这两种方法。人工神经网络生成的结果表明,MLP 应用的整体性能最佳;SOM 的性能略低,但在预测光伏发电量方面也显示出良好的应用潜力。所应用的两种 ANN 在某些应用中的相关性接近 90%,偏差较小,NSE 约为 0.80 和 0.90。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信