dc.contributor.author | Heinen, Eduarth Dapper | |
dc.date.accessioned | 2019-09-13T12:07:56Z | |
dc.date.available | 2019-09-13T12:07:56Z | |
dc.date.issued | 2018-08-28 | |
dc.identifier.citation | HEINEN, Eduarth Dapper. Redes neurais recorrentes e XGBoost aplicados à previsão de radiação solar no horizonte de curto prazo. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/11828. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/11828 | |
dc.description.abstract | Precise estimates of energy production and consumption are essential to promote the integration of renewable energy sources to the electrical grid, guiding power supply balance through cycles and fluctuations inherent to these resources. In this scenario, many experiments have developed solar radiation forecasting methods, but not so many of those apply Recurrent Neural Networks and their potential of modeling time series. This dissertation reviews some of the studies and outlines an experiment comparing Recurrent Neural Networks, XGBoost and persistence of Clear Sky and Clearness indexes in solar irradiance forecasts. Model precision is verified in minute observations from Denver and Las Vegas, re-sampled in resolutions of 5 minutes, 30 minutes, 1 hour and daily mean. XGBoost gives the best results in all forecast horizons, with nRMSE between 12.9% at 5 minute resolutions, and 21.2% at daily mean. Persistence models for Clear Sky and Clearness indexes show comparable precision, with nRMSE from 14.2% to 22.5% in forecasts up to 1 hour ahead. RNNs outperform persistence in forecasts of daily mean irradiance, reaching nRMSE 21.3%. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Redes neurais artificiais | por |
dc.subject | Rede Neural Recorrente | por |
dc.subject | Radiação solar | por |
dc.subject | Previsão | por |
dc.subject | Seleção de atributos | por |
dc.subject | Modelos de Persistência | por |
dc.subject | Índice de Céu Claro | por |
dc.subject | Índice de Claridade | por |
dc.subject | Artificial neural networks | por |
dc.subject | Recurrent Neural Networks | eng |
dc.subject | Solar radiation | eng |
dc.subject | Forecasts | eng |
dc.subject | Feature selection | eng |
dc.subject | Persistence models | eng |
dc.subject | Clear Sky Index | eng |
dc.subject | Clearness Index | eng |
dc.title | Redes neurais recorrentes e XGBoost aplicados à previsão de radiação solar no horizonte de curto prazo | por |
dc.title.alternative | Recurrent neural networks and XGBoost applied to solar irradiance forecasts on short-term horizons | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Fernandes, Ricardo Augusto Souza | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0880243208789454 | por |
dc.description.resumo | Estimativas precisas da geração e consumo de eletricidade são necessárias para promover a integração de fontes de energia renováveis à malha elétrica, orientando o equilíbrio do suprimento de eletricidade através dos ciclos e flutuações destes recursos. Neste cenário, diversos experimentos têm desenvolvido métodos de previsão de radiação solar, mas poucos destes aplicam Redes Neurais Recorrentes e seu potencial de modelar séries temporais. Esta dissertação revisa alguns destes estudos e apresenta um experimento comparando Redes Neurais Recorrentes, XG-Boost e modelos de persistência dos índices de Céu Claro e Claridade em estimativas de irradiância solar. A precisão destes modelos é verificada em observações minuto a minuto de Denver e Las Vegas, re-amostradas em frequências de 5 minutos, 30 minutos, 1 hora e média diária. O modelo XGBoost apresenta os melhores resultados em todos os horizontes de previsão, com nRMSE entre 12.9% em resoluções de 5 minutos, e 21.2% em média diária. Modelos de persistência dos índices de Céu Claro e Claridade demonstram precisão comparável, com nRMSE de 14.2% a 22.5% em previsões até 1 hora à frente. RNNs superam modelos de persistência em previsões de irradiância média diária, alcançando nRMSE de 21.3%. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.description.sponsorshipId | CAPES: Código de Financiamento 001 | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/5953068336220606 | por |