Aplicabilidade do algoritmo de levenberg-marquardt para análise de geração de energia elétrica de um sistema fotovoltaico
DOI:
https://doi.org/10.14488/1676-1901.v17i4.2542Palavras-chave:
Energia solar fotovoltaica. Redes Neurais Artificiais. Algoritmo Levemberg-Marquardt. Função de transferência Logsigmóide. Função de transferência purelin.Resumo
Este trabalho avalia o uso de redes neurais artificiais para análise de geração de eletricidade para um sistema fotovoltaico conectado a rede. Inicialmente, são descritas as características e potencial matemático de tratamento de dados apresentados pelas redes. Em seguida, são testadas várias configurações com o objetivo de buscar a mais adequada ao caso. Foram utilizados dados de 2014 da geração de energia, de temperatura ambiente, de temperatura dos módulos da incidência de radiação solar e da hora do dia. A aplicação utilizou os algoritmos de Levenberg-Marquardt para obtenção dos parâmetros da rede e o critério do erro médio quadrado para medir o desempenho. O treinamento foi reealizado com 5, 10, 15, 20, 25, 30 e 60 neurônios na camada oculta. As funções de transferência foram logsigmoide e purelin. O melhor resultado foi realizado foi obtido com 25 neurônios, com coeficiente de correlação de 0,98.
Downloads
Referências
BOUSFIELD, P. M. Uso de uma rede neural para a previsão do volume de lodo gerado em estações de tratamento de efluente: um estudo de caso, 2008. Universidade da região de Joinville. Disponível em:. .
CHATZIAGORAKIS.P., GEORGOULAS. PAPADOPOULOU, S. ELMASIDES,C., GIAOURIS, D., Seferlis, P., Sirakoulis, CH.G., KARAFYLLIDIS, I., PAPADOPOULOS, A. I., STERGIOPOULOS, F., ZIOGOU, C., IPSAKIS, D., Voutetakis, S. e ANDREADIS, I. Application of Neural Networks Solar Radiation Prediction for Hybrid Renewable Energy Systems. Engineering Applications of Neural Networks, v. 459, p. 133-144, 2014.
CHOW, S. K. H.; LEE, E. W. M.; LI, D. H. W. Short-term prediction of photovoltaic energy generation by intelligent approach. Energy and Buildings, v. 55, p. 660–667, 2012. Elsevier B.V. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S037877881200415X>. https://doi.org/10.1016/j.enbuild.2012.08.011
FIORIN, D. V; MARTINS, F. R.; SCHUCH, N. J. Aplicacões de redes neurais e previsões de disponibilidade de recursos energéticos solares. Revista Brasileira de Ensino de Física, v. 33, n. 1, p. 1309 1 – 1309 20, 2011. http://dx.doi.org/10.1590/S1806-11172011000100009
GILMAN, A. Dobos; KASBERG, M. P50/P90. Analysis for solar energy systems using the system advisor model, NREL, May 13-17, 2012. Disponível em:< http://www.nrel.gov/docs/fy12osti/54488.pdf>.
HAGAN, Martin T.; DEMUTH, Howard B.; BEALE, Mark Hudson; JESÚS, Orlando De. Neural network design. 2. ed. eBook, 2014.
MEKKI, A., ALOUI, F., DHOUIB, A., SAYADI, S. Effects of Phanerochaete chrysosporium on biologic activity of soil amended with olive mill wastewaters. Journal of Soil Science and Environmental Management, v. 3, n.1, p. 1-8, 2012. DOI: 10.5897/JSSEM11.092.
MELLIT, A.; KALOGIROU, S. A.; HONTORIA, L.; SHAARI, S. Artificial intelligence techniques for sizing photovoltaic systems: a review. Renewable and Sustainable Energy Reviews, v. 13, n. 2, p. 406–419, 2009. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S1364032108000051>. DOI: 10.1016/j.rser.2008.01.006
MELLIT, A.; KALOGIROU, S. A. ANFIS-based modelling for photovoltaic power supply system: A case study. Renewable Energy, v. 36, n. 1, p. 250–258, 2011. Elsevier Ltd. Disponível em:<http://linkinghub.elsevier.com/retrieve/pii/S0960148110002843>. DOI: 10.1016/j.renene.2010.06.028.
MELLIT, A.; KALOGIROU, S. A. Artificial intelligence techniques for photovoltaic applications: a review. Progress in Energy and Combustion Science, v. 34, n. 5, p. 574–632, 2008. https://doi.org/10.1016/j.pecs.2008.01.001
NREL. National renewable energy laboratory: research cell efficiency records. 2016. Disponível em: <http://www.nrel.gov/ncpv/>. Acesso em: junho de 2016.
RÜTHER, R. e DACOREGIO, M., 2000. Performance assessment of a 2 kwp grid-connected, building-integrated, amorphous silicon photovoltaic installation in Brazil. Prog. Photovolt. Res. Appl. n. 8, p. 257 - 266. DOI: 10.1002/(SICI)1099-159X(200003/04)8:2<257::AID-PIP292>3.0.CO;2-P
RÜTHER, R., 1998. Experiences and operational results of the first grid-connected, building-integrated, thin-film photovoltaic installation in Brazil. WCPEC2 - 2nd World Conference on Photovoltaic Solar Energy Conversion. Vienna, Austria.
YADAV, A. K.; CHANDEL, S. . Artificial Neural Network based Prediction of Solar Radiation for Indian Stations. International Journal of Computer Applications, v. 50, n. 9, p. 1–4, 2012. DOI:10.5120/7796-0907.
Publicado
Como Citar
Edição
Seção
Licença
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.
