Aprendizado profundo aplicado à predição da irradiância solar por meio do método híbrido de predição

Página do item simplificado
dc.contributor.authorSouza, Gustavo Campoi de
dc.date.accessioned2025-04-23T11:49:10Z
dc.date.available2025-04-23T11:49:10Z
dc.date.issued2025-03-13
dc.descriptionTrabalho de Conclusão do Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestruturae Território da Universidade Federal da Integração Latino-Americana, como requisito parcial para à obtenção do título de bacharel em Engenharia de Materiais.
dc.description.abstractA predição da irradiância solar é essencial para otimizar sistemas fotovoltaicos e mitigar a intermitência da geração solar na rede elétrica. Este estudo avalia e compara a acurácia do Método Híbrido de Predição (MHP) utilizando Redes Neurais Artificiais (RNA) MultiLayer Perceptron (MLP) e duas arquiteturas de Aprendizado Profundo (Deep Learning): Redes Neurais Recorrentes (RNN) e Long Short-Term Memory (LSTM). O objetivo é verificar se modelos que capturam dependências temporais (RNN e LSTM) proporcionam maior acurácia preditiva em comparação à RNA convencional do MHP. Os experimentos foram realizados com dados de irradiância solar e imagens all-sky (180°) coletados entre 2014 e 2016, considerando três horizontes de predição (1, 5 e 15 minutos). Foram aplicadas validação cruzada de 3-folds e otimização Bayesiana para ajuste de hiperparâmetros. A acurácia foi avaliada pelas métricas RMSE, MAE e R². Os resultados indicam que a RNA obteve o menor RMSE médio geral (70,42), enquanto RNN apresentou o maior erro médio (75,5). Apesar da pequena vantagem da RNA, o teste estatístico de Friedman revelou que as diferenças de desempenho entre os modelos avaliados não são estatisticamente significativas (p > 0,05). As principais contribuições do estudo incluem: (i) demonstrar que modelos mais simples (RNA) podem alcançar acurácia semelhante a arquiteturas mais robustas (RNN e LSTM), evitando custos computacionais elevados; (ii) reforçar a importância do pré-processamento de imagens all-sky do MHP, que pode reduzir a necessidade de redes recorrentes; e (iii) fornecer um protocolo experimental estruturado para avaliação de modelos de predição de irradiância solar. Estudos futuros podem explorar modelos híbridos, diferentes horizontes temporais e abordagens baseadas em Transformers para aprimorar a eficácia do MHP. Resumen La predicción de la irradiancia solar es esencial para optimizar los sistemas fotovoltaicos y mitigar la intermitencia de la generación solar en la red eléctrica. Este estudio evalúa y compara la precisión del Método Híbrido de Predicción (MHP) utilizando Redes Neuronales Artificiales (RNA) MultiLayer Perceptron (MLP) y dos arquitecturas de Aprendizaje Profundo (Deep Learning): Redes Neuronales Recurrentes (RNN) y Long Short-Term Memory (LSTM). El objetivo es verificar si los modelos que capturan dependencias temporales (RNN y LSTM) proporcionan una mayor precisión predictiva en comparación con la RNA convencional del MHP. Los experimentos se realizaron con datos de irradiancia solar e imágenes all-sky (180°) recopilados entre 2014 y 2016, considerando tres horizontes de predicción (1, 5 y 15 minutos). Se aplicaron validación cruzada de 3 particiones (3-folds) y optimización Bayesiana para el ajuste de hiperparámetros. La precisión se evaluó mediante las métricas RMSE, MAE y R². Los resultados indican que la RNA obtuvo el RMSE promedio más bajo (70,42), mientras que RNN presentó el mayor error promedio (75,5). A pesar de la ligera ventaja de la RNA, la prueba estadística de Friedman reveló que las diferencias de rendimiento entre los modelos no son estadísticamente significativas (p > 0,05). Las principales contribuciones del estudio incluyen: (i) demostrar que modelos más simples (RNA) pueden lograr una precisión similar a arquitecturas más complejas (RNN y LSTM), evitando altos costos computacionales; (ii) reforzar la importancia del preprocesamiento de imágenes all-sky en el MHP, lo que puede reducir la necesidad de redes recurrentes; y (iii) proporcionar un protocolo experimental estructurado para la evaluación de modelos de predicción de irradiancia solar. Estudios futuros pueden explorar modelos híbridos, diferentes horizontes temporales y enfoques basados en Transformers para mejorar la eficacia del MHP.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/9075
dc.language.isovi
dc.rightsopenAccess
dc.subjectsistemas fotovoltaicos
dc.subjectenergia solar
dc.subjectmétodos computacionais
dc.subjectirradiância solar
dc.titleAprendizado profundo aplicado à predição da irradiância solar por meio do método híbrido de predição
dcterms.abstractThe solar irradiance prediction is essential for optimizing photovoltaic systems and mitigating the intermittency of solar generation in the power grid. This study evaluates and compares the accuracy of the Hybrid Prediction Method (MHP) using Artificial Neural Networks (RNA) MultiLayer Perceptron and two Deep Learning architectures: Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM). The objective is to verify whether models that capture temporal dependencies (RNN and LSTM) provide greater predictive accuracy compared to the conventional ANN of the HPM. Experiments were conducted using solar irradiance data and all-sky images (180°) collected between 2014 and 2016, considering three prediction horizons (1, 5, and 15 minutes). A 3-fold crossvalidation and Bayesian optimization were applied for hyperparameter tuning. Accuracy was assessed using the RMSE, MAE, and R² metrics. The results indicate that RNA obtained the lowest overall average RMSE (70.42), while RNN presented the highest average error (75.5). Despite ANN9s slight advantage, the Friedman statistical test revealed that the performance differences among the models are not statistically significant (p > 0.05). The main contributions of the study include: (i) demonstrating that simpler models (RNA) can achieve similar accuracy to more complex architectures (RNN and LSTM), avoiding high computational costs; (ii) reinforcing the importance of the allsky image preprocessing in the HPM, which can reduce the need for recurrent networks; and (iii) providing a structured experimental protocol for evaluating solar irradiance prediction models. Future studies may explore hybrid models, different temporal horizons, and Transformer-based approaches to enhance the effectiveness of the MHP.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Aprendizado profundo aplicado à predição da irradiância solar por meio do método híbrido de predição.pdf
Tamanho:
1.58 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia de Materiais