Publicação:
Previsibilidade de geração solar no contexto de hibridização de fontes para análise de complementaridade

Página do item simplificado
dc.contributor.advisor-co1Dias, Camila de Oliveira
dc.contributor.advisor1Santos, Ivan Nunes
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do;jsessionid=CB703FAECFFD2FC5A6D15FF80B04659D.buscatextual_0pt_BR
dc.contributor.referee2Pacheco, Ábner Cézar Peres
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0796804390089634pt_BR
dc.creatorGomes, Lana Paula Pereira
dc.date.accessioned2023-08-16T15:43:45Z
dc.date.available2023-08-16T15:43:45Z
dc.date.issued2023-06-16
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoNo intuito de combinar duas fontes renováveis para contribuir com a redução de gases carbônicos, contribuindo para uma matriz energética mais sustentável, foram conduzidas pesquisas sobre a integração entre usina fotovoltaica e usina hidrelétrica. Nesse contexto, torna-se necessário aprofundar-se nos modelos estatísticos e algoritmos de previsibilidade para identificar o modelo mais adequado na realização das previsões de irradiância, uma vez que para a geração solar não se tem clareza a respeito dos modelos estabelecidos para auxiliar nesse processo. Essa etapa de desenvolvimento é fundamental para viabilizar futuros estudos de viabilidade de complementaridade entre as fontes. Para tanto, selecionou-se os seguintes métodos: Autoregressive Integrated Moving Average, Autoregressive Integrated Moving Average with Exogenous Variables, Long Short Term Memory, Gated Recurrent Unit e Convolutional Neural Network, os quais foram, nesta pesquisa, implementados utilizando a linguagem Python no Google Colaboratory. Em seguida, traçou-se o perfil da curva da média diária para cada modelo, comparando-a com os valores dos dados reais. Para obter os dados reais desta comparação, foram feitas as previsões para o ano de 2022, e os dados correspondentes foram armazenados em um DataFrame separado para a realização de métricas de avaliação. Com base nas métricas estabelecidas, observou-se que os modelos estatísticos Autoregressive Integrated Moving Average e Autoregressive Integrated Moving Average with Exogenous Variables tiveram maior complexibilidade na implementação devido aos parâmetros necessários e à sazonalidade presente nos dados. Assim, os resultados foram piores em comparação aos demais algoritmos de redes neurais. Dentre os algoritmos de previsibilidade avaliados, o Convolutional Neural Network apresentou os melhores resultados.pt_BR
dc.identifier.citationGOMES, Lana Paula Pereira. Previsibilidade de geração solar no contexto de hibridização de fontes para análise de complementaridade. 2023. 77 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Universidade Federal de Uberlândia, 2023.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/38907
dc.languageporpt_BR
dc.orcid.putcode140626311
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Elétricapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.sizeorduration77pt_BR
dc.subjectComplementariedadept_BR
dc.subjectComplementaritypt_BR
dc.subjectModelos estatísticospt_BR
dc.subjectStatistical modelspt_BR
dc.subjectAlgoritmos de previsibilidadept_BR
dc.subjectPredictability algorithmspt_BR
dc.subjectPythonpt_BR
dc.subjectEvaluation metricspt_BR
dc.subjectMétricas de avaliaçãopt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.titlePrevisibilidade de geração solar no contexto de hibridização de fontes para análise de complementaridadept_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
PrevisibilidadeGeraçãoSolar.pdf
Tamanho:
2.07 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar

Coleções

TCC - Engenharia Elétrica