Previsão de geração energia fotovoltaica no Brasil por meio de modelos de aprendizado de máquina

Knupp, Hugo Kersbaumer

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/21458

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Gomide, Janaína Sant'anna	-
dc.contributor.author	Knupp, Hugo Kersbaumer	-
dc.date.accessioned	2023-08-24T20:24:54Z	-
dc.date.available	2023-12-21T03:01:31Z	-
dc.date.issued	2023-07-19	-
dc.identifier.citation	KNUPP, Hugo Kersbaumer. Previsão de geração energia fotovoltaica no Brasil por meio de modelos de aprendizado de maquina. 2023. 62 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Instituto Politécnico, Universidade Federal do Rio de Janeiro, Macaé, 2023.	pt_BR
dc.identifier.uri	http://hdl.handle.net/11422/21458	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Energia solar	pt_BR
dc.subject	Geração de energia fotovoltaica	pt_BR
dc.subject	Energia renovável	pt_BR
dc.subject	Machine learning	pt_BR
dc.subject	Solar energy	pt_BR
dc.subject	Photovoltaic power generation	pt_BR
dc.subject	Renewable energy	pt_BR
dc.title	Previsão de geração energia fotovoltaica no Brasil por meio de modelos de aprendizado de máquina	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/7073790805586544	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/2894314959148740	pt_BR
dc.contributor.referee1	Malagueta, Diego Cunha	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/8578178857862712	pt_BR
dc.contributor.referee2	Lobosco, Raquel Jahara	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/5427934017610274	pt_BR
dc.contributor.referee3	Silva, Leila Weitzel Coelho da	-
dc.contributor.referee3Lattes	http://lattes.cnpq.br/2768655384552211	pt_BR
dc.description.resumo	A crescente preocupação com a sustentabilidade e a busca por fontes de energia limpas e renováveis impulsionam o desenvolvimento de tecnologias voltadas para o aproveitamento dos recursos naturais. A energia solar fornece uma fonte de energia alternativa limpa e abundante para atender às necessidades energéticas. O objetivo desse trabalho é fornecer previsões da geração de energia fotovoltaica no Brasil aplicando modelos de aprendizado de máquina. A metodologia adotada envolveu a coleta e pré-processamento de dados climáticos e de geração solar, a seleção e implementação dos modelos de aprendizado de máquina, bem como a avaliação do desempenho dos modelos por meio de métricas como acurácia, erro médio absoluto (MAE) e erro médio quadrático (RMSE). Os resultados obtidos demonstraram que os modelos de árvores de decisão e florestas aleatórias apresentam um desempenho promissor na previsão de geração solar. Esses modelos mostraram-se capazes de fornecer previsões precisas, com um coeficiente de determinação superior a 60%, e uma boa concordância entre as previsões e as leituras reais de geração solar. A utilização desses modelos de aprendizado de máquina na previsão de geração solar traz vantagens significativas em relação às abordagens tradicionais, permitindo a captura de relações complexas entre os dados climáticos e a geração solar, bem como a adaptação a mudanças e a incorporação de novos dados ao longo do tempo. Este estudo contribui para a área de previsão de geração solar, fornecendo insights valiosos sobre o uso de modelos de aprendizado de máquina nesse contexto. As previsões precisas obtidas por meio desses modelos são essenciais para o planejamento estratégico, operação de usinas solares e otimização do sistema elétrico, contribuindo para a transição energética e a sustentabilidade. Como sugestões para pesquisas futuras, destaca-se a investigação de outros algoritmos de aprendizado de máquina, a incorporação de dados adicionais e a consideração de fatores socioeconômicos e políticas energéticas na modelagem. Essas abordagens podem aprimorar ainda mais as previsões de geração solar e contribuir para um sistema energético mais eficiente e sustentável.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto Politécnico	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS::ENGENHARIA MECANICA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia Mecânica

Files in This Item:

File	Description	Size	Format
HKKnupp.pdf		1.06 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository