Use este identificador para citar ou linkar para este item: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661
Título: Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
metadata.dc.creator: SANTOS, Paulo Guilherme Silva dos
Palavras-chave: Predição de temperatura;Predição de irradiância solar;Deep Learning;Long short-term Memory
Data do documento: 25-Ago-2021
Editor: Universidade Federal do Oeste do Pará
Citação: Santos, Paulo Guilherme Silva dos. Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory. Orientador: Anderson Alvarenga de Moura Meneses. 2021 46 f. Dissertação (Mestrado) – Universidade Federal do Oeste do Pará, Pró-Reitoria de Pesquisa, Pós Graduação e Inovação Tecnológica, Programa de Pós-Graduação em Recursos Naturais da Amazônia. Santarém, 2021. Disponível em: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661 Acesso em:
Abstract: With the expansion of the photovoltaic solar energy industry came the search for improving the efficiency of its systems. The prediction of environmental variables such as temperature and solar irradiance help in making decisions about the use of these systems. In this work, a methodology for the evaluation of Artificial Neural Networks (ANN) of short-long-term memories (LSTM) was used to predict the time series of these two variables. The data used were obtained from two cities located in the Amazon region, two sets of temperature data and a set of solar irradiance data. During the processing of data sets, fundamental characteristics for time series prediction were verified, such as autocorrelation and stationarity, and the division into training-test and validation sets. The architectures used have differences in their number of layers, to analyze the influence of their complexity on their performance. As a result, in data validation, the 3-layer architecture presented a statistically significant difference compared to the 7-layer architecture, for the same number of times. For the LABIC temperature dataset, the RMSE averages of the two architectures were 0.9393°F and 1.4531°F, for 3 and 7 layers, respectively; for the GEDAE temperature dataset the mean RMSE was 1.6499°F and 1.9767°F, for 3 and 7 layers, respectively; and in the solar irradiance dataset we obtained an average RMSE of 170.6649 W/m² and 204.7825 W/m², for 3 and 7 layers, respectively. The methodology used allowed the comparison between the architectures and could be used in the future to evaluate other models of ANNs for forecasting time series.
Resumo: Com a expansão da indústria de energia solar fotovoltaica veio também a busca pela melhoria da eficiência de seus sistemas. A previsão de variáveis ambientais como temperatura e irradiância solar ajudam na tomada de decisão do uso destes sistemas. Neste trabalho, foi utilizada uma metodologia para avaliação de Redes Neurais Artificiais (RNA) de memórias de curto-longo prazo (LSTM), para predição de séries temporais destas duas variáveis. Os dados utilizados foram obtidos em duas cidades localizadas na região amazônica, sendo dois conjuntos de dados de temperatura e um conjunto de dados de irradiância solar. Durante o processamento dos conjuntos de dados foram verificadas características fundamentais para predição de séries temporais como autocorrelação e estacionariedade, e a divisão em conjuntos de treino-teste e validação. As arquiteturas utilizadas possuem diferenças em seus números de camadas, para analisar a influência de sua complexidade em seus desempenhos. Como resultado, na validação dos dados a arquitetura de 3 camadas apresentou diferença estatisticamente significativa em relação à arquitetura de 7 camadas, para um mesmo número de épocas. Para o conjunto de dados de temperatura do LABIC as médias de RMSE das duas arquiteturas foram de 0,9393°F e 1,4531°F, para 3 e 7 camadas, respectivamente; para o conjunto de dados de temperatura do GEDAE a média de RMSE foi de 1,6499°F e 1,9767°F, para 3 e 7 camadas, respectivamente; e no conjunto de dados de irradiância solar obtivemos RMSE médio de 170,6649 W/m² e 204,7825 W/m², para 3 e 7 camadas, respectivamente. A metodologia utilizada permitiu a comparação entre as arquiteturas e poderá ser utilizada futuramente para avaliação de outros modelos de RNAs de previsão de séries temporais.
URI: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661
Aparece nas coleções:Dissertações em Recursos Naturais da Amazônia (Mestrado)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_PrevisaoDeVaiaveisAmbientais.pdf2,52 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.