dc.contributor.author | Pedro Bon, Frederico | |
dc.date.accessioned | 2020-07-09T18:55:21Z | |
dc.date.available | 2020-07-09T18:55:21Z | |
dc.date.issued | 2020-02-17 | |
dc.identifier.citation | PEDRO BON, Frederico. Redes neurais artificiais aplicadas à previsão de irradiância global horizontal no contexto de cidades energeticamente inteligentes. 2020. Dissertação (Mestrado em Engenharia Urbana) – Universidade Federal de São Carlos, São Carlos, 2020. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13033. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/13033 | |
dc.description.abstract | Rapid population growth in the last decades and consequent accelerated urbanization have led
to new urban problems that societies had not faced in the past centuries. Thus, the sustainable
development of cities is compromised as a consequence of failure to meet the needs that arise.
In this context, the smart cities emerged and, based on artificial intelligence, digital resources
and communication technologies are proving themselves as a natural strategy to mitigate
these problems. Among many areas served by a smart city, smart grids have gained focus, as
global energy needs will grow by 30% until 2040. In addition, governments and society
demand a solid insertion of renewable sources in order to guarantee the sustainability. The
photovoltaic matrix is one of the renewable sources that fits this demand. The Brazilian
government estimates that, until 2050, 13% of all residences in the national territory should be
supplied by energy from photovoltaic production. However, its insertion is challenged by
intermittent production, since the panels generate energy basically from Global Horizontal
Irradiance, which is not uniform over time. Thus, an accurate forecast is beneficial because it
reduces the costs and uncertainties besides avoiding annoyances due to the deviation between
forecast and consumption. With the intention of predicting Global Horizontal Irradiance in the
next hour (h + 1) on the campus of the Federal University of São Carlos, located in Araras-
SP, it was used Artificial Neural Networks. A Multilayer Percetron architecture with
Levenberg-Marquardt training algorithm was used, considering one and two hidden layers.
The best results, in terms of the Root Mean Square Error (nRMSE) ranged from 5.9% to
6.8%. The data used as input signals to obtain these results were global horizontal irradiance,
mean temperature and average wind speed. The prediction was accurate when compared to
the literature. | 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 | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Redes neurais artificiais | por |
dc.subject | Previsão de séries temporais | por |
dc.subject | Irradiância global horizontal | por |
dc.subject | Cidades inteligentes | por |
dc.subject | Artificial neural networks | eng |
dc.subject | Time series forecasting | eng |
dc.subject | Smart cities | eng |
dc.subject | Global horizontal irradiance | eng |
dc.title | Redes neurais artificiais aplicadas à previsão de irradiância global horizontal no contexto de cidades energeticamente inteligentes | por |
dc.title.alternative | Artificial neural networks applied to global horizontal irradiance prediction in the context of energetically intelligent cities | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Fernandes, Ricardo Augusto Souza | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0880243208789454 | por |
dc.description.resumo | O rápido crescimento populacional nas últimas décadas e consequente urbanização acelerada
deram origem a novos problemas urbanos que as sociedades ainda não haviam enfrentado nos
séculos passados. Assim, o desenvolvimento sustentável das cidades é comprometido como
consequência do fracasso em atender as necessidades que surgem. Foi nesse contexto que as
smart cities despontaram e, a partir da inteligência artificial, dos recursos digitais e das
tecnologias de comunicação, estão se provando como estratégia natural de mitigação desses
problemas. Entre as muitas áreas assistidas por uma smart city, as smart grids têm ganhado
foco, visto que a necessidade energética mundial irá crescer em 30% até 2040. Além disso,
governos e sociedade demandam dos produtores de energia uma inserção sólida das fontes
renováveis, aos moldes do princípio da sustentabilidade. A matriz fotovoltaica é uma das
fontes renováveis que se encaixa nessa demanda. O governo federal brasileiro estima que até
2050, 13% de todas as residências no território nacional deva ser abastecida por energia
advinda da produção fotovoltaica. Porém, sua inserção é desafiada pela intermitência da
produção, visto que os painéis geram energia basicamente a partir da Irradiância Global
Horizontal, que não é uniforme ao longo do tempo. Assim, uma previsão precisa é benéfica já
que reduz os custos e incertezas, além de evitar contrariedades decorrentes do desvio entre
previsão e consumo. Com o intuito de predizer Irradiância Global Horizontal hora à frente
(h+1) no campus da Universidade Federal de São Carlos, localizado em Araras/SP, utilizou-se
Redes Neurais Artificias. Uma arquitetura Multilayer Percetron com algoritmo de
treinamento Levenberg-Marquardt e topologias de uma e duas camadas neurais foi aplicada.
Os melhores resultados, em termos de Raiz do Erro Quadrático Médio normalizado (nRMSE)
variaram entre 5,9% e 6,8%. Os dados utilizados como sinais de entrada na obtenção desses
resultados foram irradiância global horizontal, temperatura média e velocidade do vento
média. A previsão se mostrou acurada quando comparada com a literatura. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Urbana - PPGEU | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA CIVIL | por |
dc.subject.cnpq | ENGENHARIAS | por |
dc.description.sponsorshipId | CAPES: 88882.426624/2019-01 | por |
dc.description.sponsorshipId | CAPES: Código de Financiamento 001 | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/2603624909374953 | por |