ANÁLISE COMPARATIVA DAS TÉCNICAS DE REGRESSÃO PARA ESTIMAÇÃO DA GERAÇÃO DE ENERGIA SOLAR

Autores

  • Kevin A. T. de Almeida Universidade de Brasília
  • Fernando C. Melo Universidade de Brasília

DOI:

https://doi.org/10.59627/cbens.2024.2508

Palavras-chave:

Aprendizado de máquina, constrained-off solar, energia Solar, estimação de geração solar, técnicas de regressão

Resumo

Este trabalho apresenta uma análise comparativa das técnicas de regressão utilizadas para estimação da geração de energia solar. A utilização de fontes renováveis ao redor do mundo está em grande expansão devido aos incentivos governamentais, industriais e sociais para tornar a matriz energética mundial limpa e renovável. Apesar dos benefícios gerados por essas fontes de energia, diversos desafios ainda permeiam essa área. Entre os principais desafios é possível citar a falta de inércia dessas fontes, o que pode ocasionar perda de estabilidade do sistema, dificuldade em prever a geração desses sistemas, e nos casos de micro e minigeração, a dificuldade em prever a carga efetivamente consumida pelo sistema e a injeção de distorções harmônicas na rede básica. Nesse contexto, a estimação da geração dessas fontes é de extrema necessidade para os órgãos de regulação, distribuição e transmissão de energia elétrica. Os principais modelos de estimação utilizam dados de projeto das usinas eólicas e fotovoltaicas, no entanto, para questões de regulação, previsão de carga e constrained-off, dada a quantidade de usinas instaladas, torna-se muito complexo adquirir os dados de projeto das usinas instaladas. Assim, os modelos de caixa preta, que são modelos capazes de relacionar a temperatura, irradiância e geração, sem a necessidade dos dados de projetos, são essenciais para essas aplicações. Dessa forma, este trabalho visa apresentar algumas técnicas de regressão capazes de encontrar uma função de produtividade para estimar a geração de energia elétrica utilizando os dados de irradiância, temperatura e geração coletados da usina fotovoltaica da Faculdade de Tecnologia da Universidade de Brasília – FT-UnB.

Downloads

Não há dados estatísticos.

Biografia do Autor

Kevin A. T. de Almeida, Universidade de Brasília

Campus Darcy Ribeiro.

Fernando C. Melo, Universidade de Brasília

Campus Darcy Ribeiro.

Referências

M. A. Aly Darwish, "Design of a photovoltaic system using SAM and ETAP software," 2021 International Conference on Green Energy, Computing and Sustainable Technology (GECOST), Miri, Malaysia, 2021.

Viana, Zulkner Cruz, et al. "Accuracy Analysis of Pvsyst Software for Estimating the Generation of a Photovoltaic System at the Polo de Inovação Campos dos Goytacazes." 2020 IEEE PES Transmission & Distribution Conference and Exhibition-Latin America (T&D LA). IEEE, 2020.

Ying Shi, Yue Sun, Junliang Liu, Xiong Du, Model and stability analysis of grid-connected PV system considering the variation of solar irradiance and cell temperature,International Journal of Electrical Power & Energy Systems, Volume 132, 2021.

Araneo, Rodolfo, Umberto Grasselli, and Salvatore Celozzi. "Assessment of a practical model to estimate the cell temperature of a photovoltaic module." International Journal of Energy and Environmental Engineering 5 (2014).

T. Verma, A. P. S. Tiwana, C. C. Reddy, V. Arora and P. Devanand, "Data Analysis to Generate Models Based on Neural Network and Regression for Solar Power Generation Forecasting," 2016 7th International Conference on Intelligent Systems, Modelling and Simulation (ISMS), Bangkok, Thailand, 2016, pp. 97-100, doi: 10.1109/ISMS.2016.65.

F. Jawaid and K. NazirJunejo, "Predicting daily mean solar power using machine learning regression techniques," 2016 Sixth International Conference on Innovative Computing Technology (INTECH), Dublin, Ireland, 2016.

Lima, M. A. F. B., Fernández Ramírez, L. M., Carvalho, P. C. M., Batista, J. G., and Freitas, D. M. (August 16, 2021). "A Comparison Between Deep Learning and Support Vector Regression Techniques Applied to Solar Forecast in Spain." ASME. J. Sol. Energy Eng. February, 2022.

Chiteka, Kudzanayi, Rajesh Arora, and S. N. Sridhara. "A method to predict solar photovoltaic soiling using artificial neural networks and multiple linear regression models." Energy Systems 11.4 (2020).

Anuradha, K., et al. "Analysis of solar power generation forecasting using machine learning techniques." E3S Web of Conferences. Vol. 309. EDP Sciences, 2021.

Jumin, Ellysia, et al. "Solar radiation prediction using boosted decision tree regression model: A case study in Malaysia." Environmental Science and Pollution Research 28 (2021).

Mahmud, Khizir, et al. "Machine learning based PV power generation forecasting in alice springs." IEEE Access 9 (2021).

Persson, Caroline, et al. "Multi-site solar power forecasting using gradient boosted regression trees." Solar Energy (2017).

Wang, Jidong, et al. "A short-term photovoltaic power prediction model based on the gradient boost decision tree." Applied Sciences 8.5 (2018).

Agência Nacional de Energia Elétrica - ANEEL. Resolução Normativa nº927/2020, de 22 de março de 2021.

Agência Nacional de Energia Elétrica - ANEEL. Resolução Normativa nº1073/2023, de 12 de setembro 2023.

Downloads

Publicado

2024-09-20

Como Citar

Almeida, K. A. T. de, & Melo, F. C. (2024). ANÁLISE COMPARATIVA DAS TÉCNICAS DE REGRESSÃO PARA ESTIMAÇÃO DA GERAÇÃO DE ENERGIA SOLAR. Anais Congresso Brasileiro De Energia Solar - CBENS. https://doi.org/10.59627/cbens.2024.2508

Edição

Seção

Anais