Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Ramos, Lucas | - |
Autor(es): dc.creator | Colnago, Marilaine | - |
Autor(es): dc.creator | Casaca, Wallace | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:27:17Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:27:17Z | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.egyr.2021.11.123 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/222986 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/222986 | - |
Descrição: dc.description | Understanding patterns and energy-related data in photovoltaic systems is one of the key tasks in energy generation and distribution. In fact, the use of data-driven tools and predictive learning models can support the government, power regulatory agencies, and the energy industry in improving their decision-making and operational activities. Bering this in mind, this paper presents a case study of data-driven analysis and machine learning to forecast the energy charge in the distributed photovoltaic power grid of Queensland, in Australia. Our analysis relies on a freely, open energy tracking platform and the design of three Machine Learning approaches built on the basis of Random Forest, Support Vector Machines, and Gradient Boosting methods. Experimental results with real data showed that the trained models allow for very consistent predictions while reaching a high forecasting accuracy (around 95%–93% in Generated - Exported prediction, respectively). Moreover, it was found that the Gradient Boosting-based model ensures robust behavior and low prediction errors, as endorsed by quality validation metrics. Another technical aspect observed is that the variables artificially created to boost the models substantially improve the post-analysis and overall accuracy of the results. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Department of Energy Engineering São Paulo State University (UNESP) | - |
Descrição: dc.description | Department of Energy Engineering São Paulo State University (UNESP) | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2019/18857-1 | - |
Formato: dc.format | 745-751 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Energy Reports | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Data-driven models | - |
Palavras-chave: dc.subject | Distributed energy | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Photovoltaics | - |
Título: dc.title | Data-driven analysis and machine learning for energy prediction in distributed photovoltaic generation plants: A case study in Queensland, Australia | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: