Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.107
Aluno: Renan Soares Siqueira Costa
Orientador: Prof. Tsang Ing Ren
Coorientador: Prof. Alexandre Carlos Araújo da Costa (UFPE/Energia Nuclear)
Título: Transformer-Based Neural Network for Short-Term Photovoltaic and Wind Power Prediction
Data: 18/09/2023
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. George Darmiton da Cunha Cavalcanti (UFPE / Centro de Informática)
Prof. Gustavo de Novaes Pires Leite (IFPE – Campus Recife )
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
RESUMO:
A previsão de curto prazo de energia fotovoltaica (PV) e eólica são essenciais para gerenciar sistemas conectados à rede elétrica e comprar e vender energia no mercado diário e intradiário. Assim, o desenvolvimento de modelos de previsão precisos se torna necessário na dinâmica do setor elétrico. Nesse contexto, modelos de aprendizado de máquina são amplamente utilizados por seu excelente desempenho na extração complexa de características atmosféricas que influenciam diretamente a produção de energia renovável. Este trabalho propôs o uso de um modelo de aprendizado de representação vetorial como incorporação, chamado Time2Vec, para melhorar os modelos de aprendizado usados para previsão, além de uma arquitetura de rede neural baseada em transformers. O experimento foi realizado em duas usinas de energia fotovoltaica na Índia e duas fazendas eólicas, utilizando a arquitetura proposta, Multilayer Perceptron (MLP) and Long-Short Term Memory (LSTM), que foram então comparados a vários modelos utilizados como previsão de referência nesse tipo de previsão. Na maioria dos casos, os resultados mostraram uma melhoria relevante em relação aos modelos de referência, alcançando mais de 20% de melhoria no erro médio absoluto e no coeficiente de correlação em alguns horizontes.
Palavras-chave: Energia Solar, Energia Eólica, Aprendizagem de Máquina, Redes Neurais, Séries Temporais.
Comentários desativados