1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Engenharia Elétrica (FEELT)
  3. TCC - Engenharia Elétrica
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/38907
Full metadata record
DC FieldValueLanguage
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.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.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
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.titlePrevisibilidade de geração solar no contexto de hibridização de fontes para análise de complementaridadept_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
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.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.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Elétricapt_BR
dc.sizeorduration77pt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.orcid.putcode140626311-
Appears in Collections:TCC - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
PrevisibilidadeGeraçãoSolar.pdf2.12 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons