dc.contributor.advisor | Maciel, Joylan Nunes | |
dc.contributor.advisor | Ando Junior, Oswaldo Hideo | |
dc.contributor.author | Wentz, Victor Hugo | |
dc.date.accessioned | 2021-10-21T14:26:50Z | |
dc.date.available | 2021-10-21T14:26:50Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | http://dspace.unila.edu.br/123456789/6319 | |
dc.description | Trabalho de Conclusão de Curso apresentado ao
Instituto Latino-Americano de Ciências da Vida e
da Natureza da Universidade Federal da
Integração Latino-Americana, como requisito
parcial à obtenção do título de Bacharel em
Engenharia Física. | pt_BR |
dc.description.abstract | O aumento do uso de energia limpa e renovável, como a energia solar fotovoltaica,
é necessário para suprir a demanda de consumo que vem aumentando no Brasil. No
entanto, a geração de energia solar fotovoltaica possui características intrínsecas relativas
as variáveis climáticas que causam intermitências no processo de geração, as quais podem
promover instabilidades e insegurança no sistema elétrico. Umas das soluções para este
problema utiliza o estudo de métodos e soluções para a Predição da Geração de Energia
Solar Fotovoltaica (PGESF). Neste contexto, o objetivo deste estudo é desenvolver e
comparar a acurácia de modelos de Inteligência Artificial aplicados à PGESF de curto
prazo por meio da irradiância solar. Foram analisados os modelos de Machine Learning
com Artificial Neural Networks (ANN) e Deep Learning com Long-Term Short Memory
Networks (LSTM). A execução experimental foi projetada para utilizar uma única base de
dados de treinamento e testes, com ambiente experimental homogêneo e controlado que
permitiu realizar as análises comparativas. Os principais resultados indicam que existe
diferença significativa na acurácia de predição entre os modelos ANN e LSTM. As redes
LSTM demonstraram, em geral, melhores índices de acurácia de predição em relação as
ANN. Além disso, a acurácia de determinado modelo diminui conforme o aumento do
horizonte de predição. Todos os resultados de acurácias são apresentados por meio das
principais métricas estatísticas utilizadas na literatura da PGESF. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | openAccess | |
dc.subject | Predição de Energia Solar Fotovoltaica | pt_BR |
dc.subject | Inteligência Artificial | pt_BR |
dc.subject | Aprendizado de Máquina | pt_BR |
dc.subject | Irradiância Solar | pt_BR |
dc.title | Avaliação de Modelos de Inteligência Artificial aplicados à Predição de Irradiância Solar | pt_BR |
dc.type | bachelorThesis | pt_BR |