Previsão da irradiação solar na cidade de Curitiba a partir de redes neurais artificiais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTiepolo, Gerson Máximo-
Autor(es): dc.contributorTiepolo, Gerson Máximo-
Autor(es): dc.contributorUrbanetz Junior, Jair-
Autor(es): dc.contributorLeludak, Jorge Assade-
Autor(es): dc.creatorPampuch, Marcos Vinicius Grassi-
Autor(es): dc.creatorPiantino, Gabriel Gontijo-
Data de aceite: dc.date.accessioned2025-08-29T13:04:01Z-
Data de disponibilização: dc.date.available2025-08-29T13:04:01Z-
Data de envio: dc.date.issued2025-06-05-
Data de envio: dc.date.issued2025-06-05-
Data de envio: dc.date.issued2023-11-27-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37097-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1106740-
Descrição: dc.descriptionThe main goal in this work is make the forecast about solar irradiation in the city of Curitiba. Along this work, will be introduced forecast solar irradiation models using artificial neural networks trained by the dataset of Instituto Nacional de Meteorologia (INMET). This idea is an alternative for the existent models, which, the more accurate the results are desired, bigger the number os data necessary for the model, resulting an increase in processing demand. The training of the neural networks in this work happen using different groups of climatic characteristics subdivided by seasons climatic (summer, fall, winter and spring) to verify which one present the best forecast. The architecture used in this neural networks is named feedforward multilayer with two hidden layers. As internal parameters to the models, Sigmoidal activation functions are applied to the hidden layers and Rectified Linear functions in the output layer. The weight optimization is done by the Stochastic gradient descent algotithm. As a result of these trainings using different features, the dataset 4 perform better in the forecast of irradiation in the summer and the dataset 5 had lower erros in fall, winter and spring. Therefore, the split made between the seasons show more efficiency resulting in minor errors for each different setting. The best result, was a error of 124,93 𝑊ℎ/𝑚2 in the winter for the dataset 5, by MAE and the biggest global error was 246,71 𝑊ℎ/𝑚2, in the spring for the setting dataset 2, by RMSE, showing very different results depending of the dataset used for training.-
Descrição: dc.descriptionO objetivo deste trabalho é realizar previsão da irradiação solar na cidade de Curitiba. Ao decorrer do projeto, serão apresentados modelos de previsão de irradiação solar utilizando redes neurais artificiais treinadas pelo banco de dados do Instituto Nacional de Meteorologia (INMET). Essa ideia é uma alternativa para os modelos existentes, os quais, quanto mais preciso se deseja os resultados, maior o números de dados necessários no modelo, resultando um aumento da demanda de processamento. O treinamento das redes neurais, deste trabalho, ocorreu utilizando diferentes grupos de características climáticas subdividas por estações climáticas (verão, outono, inverno e primavera) de forma a verificar quais modelos apresentam melhores previsões. A arquitetura utilizada nas redes neurais se chama feedforward de camadas múltiplas, possuindo para este escopo, duas camadas ocultas. Como parâmetros internos aos modelos, são aplicadas funções de ativação Sigmoidais nas camadas ocultas e funções Lineares Retificadas na camada de saída. A otimização dos pesos é feito pelo algoritmo Stochastic gradient descent. Como fruto desse treinamento nos diferentes cenários, o dataset 4 foi o que melhor performou na previsão de irradiação no período do verão, já o dataset 5, teve os menores erros no outono, no inverno e na primavera. Portanto, a estratégia de separação do banco de dados inicial entre estações mostrou-se eficiente, resultando em erros variados para as diferentes estações. O melhor resultado obtido, foi um erro de 124,93 𝑊ℎ/𝑚2, através do dataset 5 treinado com dados do inverno, pelo cálculo de erro MAE e o maior erro obtido foi de 246,71 𝑊ℎ/𝑚2, na primavera pelo dataset 2, pelo erro RMSE, mostrando uma grande variação no erro conforme os dados escolhidos para o treinamento.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/-
Palavras-chave: dc.subjectIrradiação - Curitiba (PR)-
Palavras-chave: dc.subjectRadiação solar-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectBanco de dados-
Palavras-chave: dc.subjectPrevisão do tempo - Curitiba (PR)-
Palavras-chave: dc.subjectInstituto Nacional de Meteorologia (Brasil)-
Palavras-chave: dc.subjectIrradiation - Curitiba (Brazil)-
Palavras-chave: dc.subjectSolar radiation-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectData bases-
Palavras-chave: dc.subjectWeather forecasting - Curitiba (Brazil)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titlePrevisão da irradiação solar na cidade de Curitiba a partir de redes neurais artificiais-
Título: dc.titleForecaste of solar irradiation in the city of Curitiba from artificial neural networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.