Comparação do uso de descritores para a previsão da produção fotovoltaica a partir de séries históricas e LSTM
Carregando...
Data
2024-11-01
Autores
Orientador
Martins, Antonio Cesar Germano 
Coorientador
Pós-graduação
Engenharia Elétrica - FESJBV/ICTS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho apresenta um estudo baseado em redes neurais recorrentes do tipo LSTM (Long Short-Term Memory) para prever a produção de energia de um conjunto de painéis fotovoltaicos, com um horizonte temporal de seis horas e quarenta minutos (quatrocentos minutos). Esse estudo utiliza dados históricos de três anos, quatro meses e dezessete dias, que incluem medições meteorológicas e de produção de energia fotovoltaica. O objetivo é realizar uma análise comparativa entre um modelo treinado exclusivamente com dados de produção de energia e oito modelos que incorporam descritores meteorológicos no treinamento. Os resultados indicam que o modelo treinado apenas com a produção de energia fotovoltaica obtém desempenho equivalente ao de modelos que incluem descritores meteorológicos. Este estudo demonstra a eficácia da abordagem LSTM e sugere que, para o problema específico de previsão da produção de energia fotovoltaica, os descritores meteorológicos não proporcionam uma melhoria significativa no desempenho do modelo.
Resumo (inglês)
This work presents a study based on LSTM (Long Short-Term Memory) recurrent neural networks to forecast the energy production of a set of photovoltaic panels, with a time horizon of six hours and forty minutes (four hundred minutes). This study uses historical data spanning three years, four months, and seventeen days, including meteorological measurements and photovoltaic energy production data. The objective is to conduct a comparative analysis between a model trained solely with energy production data and eight models that incorporate meteorological descriptors into the training process. The results indicate that the model trained exclusively with energy production data performs comparably to models that include meteorological descriptors, thus demonstrating the effectiveness of the LSTM approach and suggests that, for the specific problem of forecasting photovoltaic energy production, meteorological descriptors do not provide a significant improvement in model performance.
Resumo (espanhol)
Este trabajo presenta un estudio basado en redes neuronales recurrentes LSTM (Long Short-Term Memory) para predecir la producción de energía de un conjunto de paneles fotovoltaicos, con un horizonte temporal de seis horas y cuarenta minutos (cuatrocientos minutos). Este estudio utiliza datos históricos que abarcan tres años, cuatro meses y diecisiete días, incluyendo mediciones meteorológicas y datos de producción de energía fotovoltaica. El objetivo es realizar un análisis comparativo entre un modelo entrenado exclusivamente con datos de producción de energía y ocho modelos que incorporan descriptores meteorológicos en el proceso de entrenamiento. Los resultados indican que el modelo entrenado únicamente con datos de producción de energía tiene un desempeño comparable al de los modelos que incluyen descriptores meteorológicos, demostrando así la eficacia del enfoque LSTM y sugiriendo que, para el problema específico de la predicción de la producción de energía fotovoltaica, los descriptores meteorológicos no aportan una mejora significativa al rendimiento del modelo.
Resumo (alemão)
Diese Arbeit stellt eine Studie vor, die auf LSTM (Long Short-Term Memory) rekurrenten neuronalen Netzen basiert, um die Energieproduktion eines Satzes von Photovoltaikmodulen mit einem Zeithorizont von sechs Stunden und vierzig Minuten (vierhundert Minuten) vorherzusagen. Die Studie verwendet historische Daten, die einen Zeitraum von drei Jahren, vier Monaten und siebzehn Tagen umfassen, einschließlich meteorologischer Messungen und Daten zur Photovoltaikenergieproduktion. Ziel ist es, eine vergleichende Analyse zwischen einem Modell, das ausschließlich mit Energiedaten trainiert wurde, und acht Modellen durchzuführen, die meteorologische Deskriptoren in den Trainingsprozess einbeziehen. Die Ergebnisse zeigen, dass das ausschließlich mit Energiedaten trainierte Modell eine vergleichbare Leistung wie die Modelle mit meteorologischen Deskriptoren erzielt. Dies verdeutlicht die Effektivität des LSTM-Ansatzes und legt nahe, dass meteorologische Deskriptoren für das spezifische Problem der Vorhersage der Photovoltaikenergieproduktion keine signifikante Leistungsverbesserung bieten.
Resumo (francês)
Ce travail présente une étude basée sur des réseaux neuronaux récurrents LSTM (Long Short-Term Memory) pour prévoir la production d'énergie d'un ensemble de panneaux photovoltaïques, avec un horizon temporel de six heures et quarante minutes (quatre cents minutes). Cette étude utilise des données historiques couvrant une période de trois ans, quatre mois et dix-sept jours, comprenant des mesures météorologiques et des données de production d'énergie photovoltaïque. L'objectif est de réaliser une analyse comparative entre un modèle entraîné uniquement avec des données de production d'énergie et huit modèles qui intègrent des descripteurs météorologiques dans le processus d'entraînement. Les résultats indiquent que le modèle entraîné exclusivement avec des données de production d'énergie présente des performances comparables à celles des modèles incluant des descripteurs météorologiques, démontrant ainsi l'efficacité de l'approche LSTM et suggérant que, pour le problème spécifique de la prévision de la production d'énergie photovoltaïque, les descripteurs météorologiques n'apportent pas d'amélioration significative des performances du modèle.
Resumo (italiano)
Questo lavoro presenta uno studio basato su reti neurali ricorrenti LSTM (Long Short-Term Memory) per prevedere la produzione di energia di un insieme di pannelli fotovoltaici, con un orizzonte temporale di sei ore e quaranta minuti (quattrocento minuti). Lo studio utilizza dati storici che coprono un periodo di tre anni, quattro mesi e diciassette giorni, inclusi i dati meteorologici e di produzione di energia fotovoltaica. L'obiettivo è effettuare un'analisi comparativa tra un modello addestrato esclusivamente con dati di produzione di energia e otto modelli che incorporano descrittori meteorologici nel processo di addestramento. I risultati indicano che il modello addestrato esclusivamente con i dati di produzione di energia ha prestazioni comparabili con i modelli che includono descrittori meteorologici, dimostrando così l'efficacia dell'approccio LSTM e suggerendo che, per il problema specifico della previsione della produzione di energia fotovoltaica, i descrittori meteorologici non forniscono un miglioramento significativo delle prestazioni del modello.
Resumo (japonês)
この研究は、LSTM（Long Short-Term Memory）再帰型ニューラルネットワークに基づいて、6時間40分（400分）の時間範囲で一連の太陽光発電パネルのエネルギー生産を予測する方法を提案します。この研究では、3年4ヶ月17日間の歴史的データを使用し、気象測定データと太陽光発電のエネルギー生産データを含んでいます。目的は、エネルギー生産データのみで訓練されたモデルと、気象的な記述子を訓練プロセスに組み込んだ8つのモデルとの比較分析を行うことです。結果は、エネルギー生産データのみで訓練されたモデルが、気象的記述子を含むモデルと同等の性能を発揮することを示しており、LSTMアプローチの有効性を証明しています。また、太陽光発電のエネルギー生産予測において、気象的記述子はモデルの性能向上に大きな改善をもたらさないことを示唆しています。
Resumo (chinês)
这项研究基于LSTM（长短期记忆）递归神经网络，预测一组光伏面板的能源生产，时间范围为六小时四十分钟（四百分钟）。该研究使用了涵盖三年四个月十七天的历史数据，包括气象测量数据和光伏能源生产数据。研究的目的是对比分析一个仅使用能源生产数据训练的模型与八个将气象描述符纳入训练过程的模型。结果表明，仅使用能源生产数据训练的模型与包含气象描述符的模型性能相当，证明了LSTM方法的有效性，并且表明在光伏能源生产预测的特定问题中，气象描述符未能显著提高模型性能。
Descrição
Palavras-chave
Inteligência artificial, Painéis solares, Fontes de energias renováveis, Artificial intelligence, Solar panels, Renewable energy sources, Inteligencia artificial, Paneles solares, Fuentes de energía renovable, Künstliche Intelligenz, Solarmodule, Erneuerbare Energiequellen, Intelligence artificielle, Panneaux solaires, Sources d'énergie renouvelable, Intelligenza artificiale, Pannelli solari, Fonti di energia rinnovabile, 人工知能, ソーラーパネル, 再生可能エネルギー源, 人工智能, 太阳能板, 可再生能源来源, Energia solar, Solar energy, Aprendizado do computador, Machine learning
Idioma
Português
Como citar
GONÇALVES, Nairon Augusto Monari. Comparação do uso de descritores para a previsão da produção fotovoltaica a partir de séries históricas e LSTM. Orientador: Antonio Cesar Germano Martins. 2024. Dissertação (Mestrado em Engenharia Elétrica) – Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2024.
