Avaliando aprendizado de máquina na previsão de curto prazo de séries temporais de energia solar

  • Naylene Fraccanabbia Pontifícia Universidade Católica do Paraná
  • Viviana Cocco Mariani Pontifícia Universidade Católica do Paraná https://orcid.org/0000-0003-2490-4568
Palavras-chave: Energia solar, Previsão de séries temporais, Aprendizado de máquina, Rede neural Artificial

Resumo

Fontes alternativas de energia estão se tornando cada vez mais frequentes, tendo como objetivo reduzir a poluição ambiental, além de serem ideais para superar a crise energética, logo, neste contexto, a energia solar se destaca por ser abundante. Devido ao alto nível de incerteza dos fatores que interferem diretamente na geração de energia solar, como temperatura e radiação solar, realizar previsões de energia solar com alta precisão é um desafio. Assim, o objetivo deste artigo é desenvolver um modelo de previsão por meio de séries temporais que possibilite prever a produção de energia solar, para 1, 3 e 6 passos à frente, enfatizando a potencialidade da rede neural, utilizando um banco de dados de uma usina fotovoltaica localizada no Uruguai. Para o desenvolvimento da proposta, técnicas de pré-processamento e os métodos de previsão regressão de vetores de suporte (Support Vector Regression, SVR), rede neural perceptron multicamadas com regularização bayesiana (Bayesian Regularized Neural Network, BRNN) e modelo linear generalizado (Generalized Linear Model, GLM) foram combinados. Por fim, tais combinações foram comparadas usando medidas de desempenho. Notou-se que a combinação da análise de componentes principais (Principal Components Analysis - PCA) e a Rede Neural Perceptron Multicamadas com Regularização Bayesiana obteve os melhores resultados, utilizando as três medidas de desempenho.

Downloads

Não há dados estatísticos.
Publicado
2021-05-18
Como Citar
[1]
Fraccanabbia, N. e Mariani, V. 2021. Avaliando aprendizado de máquina na previsão de curto prazo de séries temporais de energia solar. Revista Brasileira de Computação Aplicada. 13, 2 (maio 2021), 105-112. DOI:https://doi.org/10.5335/rbca.v13i2.12581.
Seção
Artigos selecionados em Conferências - X ERMAC (2020)
Share |