FenixEdu™

Dissertação

{pt_PT=Modelos de desempenho de módulos fotovoltaicos baseados em dados medidos} {} EVALUATED

Detalhes: {pt=A crescente penetração de produção fotovoltaica na rede necessita de uma integração eficiente a nível técnico e económico com o sistema elétrico. Devido à variabilidade do recurso solar, um dos maiores desafios para a integração bem sucedida de sistemas fotovoltaicos é a capacidade de prever com precisão a potência produzida para diferentes condições do céu. Este trabalho explora a aplicação de algoritmos de Inteligência Artificial (IA), nomeadamente Redes Neuronais Artificiais (ANN) e Sistemas Difusos Neuro Adaptáveis (ANFIS) para a previsão de potência PV para condições de céu limpo e nublado, considerando resoluções temporais de 1 e 10 minutos, utilizando dados pertencentes a três módulos PV. Os dados consistem em cinco dias de céu limpo e cinco dias de céu parcialmente nublado. Vários conjuntos de variáveis são usados como entradas: irradiância global, irradiância global e a temperatura das células PV, e irradiância global e potência de instantes passados. Do conjunto de dados, quatro dias são para treino das redes e um quinto dia para teste, para cada condição de céu. Para avaliar o desempenho das rede emprega-se o erro absoluto médio percentual (MAPE). Ambas as redes tiveram resultados aceitáveis. Os melhores resultados obtiveram-se com o conjunto de entrada composto por irradiância global e potência. O desempenho da ANN foi superior para céu limpo com resolução de 1 minuto e para céu nublado com resolução de 10 minutos, enquanto que a ANFIS obteve os menores erros para céu nublado e limpo para as resoluções de 1 e 10 minutos, respetivamente., en=With the growth of photovoltaic (PV) global market, and the rising level of penetration of PV within electric grids, the need for an efficient economical and technical integration with the system becomes paramount. Due to the variability of solar irradiance, one of the greatest challenges to successfully integrate PV lies in the ability to accurately predict PV power for different sky conditions. This work studies using Artificial Intelligence (AI) techniques, namely Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference Systems (ANFIS), to predict PV power in clear and cloudy sky conditions, for forecast resolutions of 1 and 10 minutes, using data collected from three PV modules. The data consists of five days of clean sky conditions and five days of partially cloudy sky. The networks are fed with multiple sets of inputs: global irradiance, global irradiance coupled with the PV cell temperatures, and global irradiance coupled with past output PV power. The networks are trained using four days of the dataset and a prediction is made for one day for each sky condition. To evaluate the model's performance Mean Percentage Absolute Error (MAPE) is used. Both networks presented acceptable results but using both exogenous and endogenous inputs (global irradiance and power) yielded the best results for both networks. ANN outperformed ANFIS for clear sky for 1 minute resolution and cloudy sky for 10 minutes, while ANFIS was better in predicting with 1 minute resolution for cloudy sky and 10 minutes resolution for clear sky.}
Keywords: {pt=fotovoltaico, potência PV, previsão, redes neuronais artificiais, sistemas difusos neuro adaptáveis, en=adaptive neuro fuzzy system, artificial neural network, forecasting, photovoltaic, PV power}

Discussão: novembro 8, 2018, 11:0