As Redes Neurais Aplicadas à Previsão de Corrente Elétrica de um Sistema Fotovoltaico / Neural Networks Applied to Electric Current Forecast of a Photovoltaic System
Resumo
Recentemente, com a expansão das indústrias e o crescimento populacional, a demanda por energia elétrica só vem aumentando. Energias renováveis são alternativas para suprir esta demanda. Dentre elas, a energia solar se destaca como uma fonte sustentável e renovável de energia. Nesse contexto, este trabalho tem como objetivo implementar modelos, baseados em redes neurais artificiais e regressão linear múltipla, para predição da corrente elétrica gerada por um sistema solar fotovoltaico, localizado na região oeste paranaense. Modelos, baseados nas arquiteturas Multilayer Perception (MLP) e Linear Regression (LR), foram implementados na linguagem Python. Resultados obtidos dos modelos, de redes neurais MLP, foram comparados por meio das métricas: CC (Correlation Coefficient), MSE (Mean Squared Error) e RMSE (Root Mean Squared Error). Os resultados sugerem que o modelo de rede neural artificial é mais adequado, para prever a corrente elétrica do sistema fotovoltaico, do que o modelo de regressão linear.
Palavras-chave: Energia Solar. Painel Fotovoltaico. Redes MLP. Regressão Linear.
ABSTRACT
Recently, with the expansion of industries and population growth, the demand for electricity has only been increasing. Renewable energies are alternatives to supply this demand. Among them, solar energy stands out as a sustainable and renewable source of energy. In this context, this work aims to implement models, based on artificial neural networks and multiple linear regression, to predict the electric current generated by a photovoltaic solar system, located in the western region of Paraná. Models, based on Multilayer Perception (MLP) and Linear Regression (LR) architectures, were implemented in Python language. Results obtained, from MLP neural network models, were compared using metrics: CC (Correlation Coefficient), MSE (Mean Squared Error) and RMSE (Root Mean Squared Error). The results suggest that the artificial neural network model is better suited, to predict the electrical current of the photovoltaic system, than the linear regression model.
Keywords: Solar Energy. Photovoltaic Panel. MLP Networks. Linear Regression.
Referências
ANTONELI, G. C.; NEITZEL, I. Aplicação de redes neurais artificiais na indústria de fios de algodão. Gestão da Produção, Operações e Sistemas, 2016.
ARAÚJO, A. S.; CONDÉ, A. V.; TAVARES L. C.; CARDOSO J. V. O.; NAZARÉ, T. B. A utilização da energia solar de forma mais inteligente, buscando minimizar recursos e maximizar eficiências, por meio de um protótipo. Revista Mythos, 2021.
BASTIANI, M.; SANTOS, J. A. A.; SCHMIDT, C. A P.; SEPULVEDA, G. P. L. Application of data mining algorithms in the management of the broiler production. Geintec, vol. 8, 2018.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2007
CANKURT, S.; SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.
CONSENZA, D. N. Classificação da capacidade produtiva de sítios florestais utilizando máquina de vetor de suporte e rede neural artificial. ScientiaFlorestalis, 2016.
HAYKINS, S. Redes neurais: princípios e práticas. Porto Alegre: Bookman, 2001.
JARDIM, C. S.A Inserção da geração solar fotovoltaica em alimentadores urbanos enfocando a redução do pico de demanda diurno. Tese de Doutorado, Universidade Federal de Santa Catarina, Florianópolis, 2007.
KOLLING, E. M. Análise de um sistema fotovoltaico de bombeamento de água. Dissertação de Mestrado, Universidade Estadual do Oeste do Paraná, 2001.
MICHELS, R. N. Avaliação de um sistema de bombeamento de água alimentado por painéis fotovoltaicos. Dissertação de Mestrado; Universidade Estadual do Oeste do Paraná, Cascavel, 2007.
OIKAWA R. T. Modelos estatísticos e de redes neurais artificiais utilizados na predição de precipitação. Periódico Eletrônico Fórum Ambiental da Alta Paulista, 2014.
OYAMA, P. T. Vazão de uma motobomba acionada por painéis fotovoltaicos. Dissertação de Mestrado, Universidade Estadual do Oeste do Paraná, Cascavel, 2008.
PIMENTEL, G. F. Curso de estatística experimental. Piracicaba: Degaspari, 2000.
PINHEIRO, T. C.; SANTOS, J. A. A.; PASA, L. A. Gestão da produção de frangos de corte por meio de redes neurais. Revista Holos, 2020.
ROZZA, G. L.; SILVA, R. G.; MULLER, S. I. M. G. Estudo comparativo do uso de redes neurais artificiais e regressão linear múltipla para a previsão da concentração cáustica em uma etapa do processo de fabricação de alumina. Produção Online, 2015.
SANTOS, R. B.; RUPP, M., BONZI, S. J.; FILETI, A. M. F. Comparision between multilayer feedforward neural networks and a radial basis function network to detect and locate leaks in pipelines transporting gás. Chemical Enginering Transactions, 2013.
TISSOT, H. C.; CAMARGO, L. C.; POZO, A. T. R. Treinamento de redes neurais feedforward: comparativo dos algoritmos backpropagation e differential evolution. In... Conference: Brazilian Conference on Intelligent Systems, 2012. Curitiba, 2012.
WITTEN, I. H.; FRANK E. Data mining: practical machine learning tools and techniques. San Francisco: Morgan Kaufmann, 2005.
DOI: http://dx.doi.org/10.12819/2022.19.5.8
Apontamentos
- Não há apontamentos.
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional.
Atribuição (BY): Os licenciados têm o direito de copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, conquanto que deem créditos devidos ao autor ou licenciador, na maneira especificada por estes.
Não Comercial (NC): Os licenciados podem copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, desde que sejam para fins não-comerciais
Sem Derivações (ND): Os licenciados podem copiar, distribuir, exibir e executar apenas cópias exatas da obra, não podendo criar derivações da mesma.
ISSN 1806-6356 (Impresso) e 2317-2983 (Eletrônico)