Publication
Short-term Forecasting of Electricity Generation using Artificial Neural Networks (ANN)
| dc.contributor.advisor | Azevedo, Manuel Maria Pereira de | |
| dc.contributor.author | Natesan, Deepak | |
| dc.date.accessioned | 2021-01-06T15:24:02Z | |
| dc.date.available | 2021-11-23T01:30:44Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | As energias renováveis tornaram-se uma fonte substancial de energia em quase toda a Europa devido ao ambiente limpo e livre de poluição em comparação com os combustíveis fósseis que são usados principalmente para a geração de energia. Por estas razões também em Portugal a atenção para a utilização de energias renováveis tem vindo a crescer rapidamente. Na última década, muita investigação tem sido realizada sobre a previsão de curto prazo da produção de energias renováveis ao longo de um período de horas e dias na eletricidade ibérica. mercado (MIBEL). Esta dissertação centra-se nas previsões para o dia seguinte e começa com uma visão teórica e panorâmica do competitivo mercado de energia em Portugal. A principal análise para focar a previsão do dia à frente é garantir o equilíbrio entre a demanda e o fornecimento de eletricidade e porque a energia necessária deve ser vendida contra o preço do mercado à vista do dia seguinte. Com base no estudo detalhado da literatura no setor de previsão para cada tecnologia, certos fatores podem ser encontrados, como localização geográfica, fonte de dados meteorológicos e fonte de dados históricos que são alavancados na precisão e para construir muitos modelos com variáveis de entrada variadas. Nos dias atuais, as ferramentas de previsão precisas são requisitos essenciais para o produtor maximizar seus lucros, admitindo perdas de lucro devido ao erro de julgamento dos movimentos de produção futuros, e para o consumidor maximizar suas utilidades. A precisão dessas ferramentas de previsão depende principalmente do tipo e qualidade da informação que é posteriormente fornecida aos dados de entrada no modelo de previsão. Além disso, com base nas variáveis de entrada do estudo detalhado, como velocidade do vento, direção do vento, umidade relativa, temperatura, irradiação de pluviosidade e dados sazonais, foram considerados valiosos para desenvolver modelos de previsão. Muitas técnicas para prever a energia de produção para cada tecnologia são o método de regressão linear, a regressão multicamadas e as redes neurais artificiais (ANN) e a abordagem (Algoritmo de LevenbergMarquardt (LMA)) Os resultados obtidos após a correlação (correlação do coeficiente de Pearson) da entrada é feed-forward para a rede neural e muitos modelos foram construídos. Esses resultados da rede neural foram comparados com a produção real dos resultados de predição previstos. A saída obtida é fornecida para técnicas de gerenciamento de erros, como erros de porcentagem média absoluta (MAPE). A avaliação da conformidade foi realizada por meio do Erro Percentual Médio Absoluto (MAPE) e Erro Percentual Absoluto (APE), e foi encerrando os modelos de previsão desenvolvidos para apresentarem uma precisão bastante aceitável. entretanto, para minimizar a redução de erros, os resultados são exibidos. Além disso, muitos modelos de previsão foram executados e, posteriormente, comparados do menos com os bons modelos de previsão. Desta forma, ajuda a atingir modelos de previsão de produção de erro de baixo risco mais eficientes para cada tecnologia | pt_PT |
| dc.description.abstract | Renewable energy has become a substantial source of energy nearly all through Europe since of a clean and pollution-free environment compared to fossil fuels which are primarily utilized for the era of energy. Due to these reasons moreover, within Portugal attention towards the utilization of renewable power has rapidly developing In the recent decade, an abundance of research has been performed on the short-term forecasting of renewable energy production over a period of an hour and day in the Iberian power market (MIBEL). This dissertation focuses on day-ahead forecasting and beginning with a theoretical and overview of the competitive energy market in Portugal. The main analysis to focus on dayahead forecasting is to ensure the balance between the demand and supply of the electricity and because of the energy required to be sold against at the day-ahead spot market price. Based on the detailed literature study in the sector of forecasting for each technology certain factors have been found such as geographical location, meteorological data source, and the historical data source which is leverage on the accuracy and to build many numbers of models with assorted input variables. Present days, Accurate forecasting tools are an essential requirement for the producer to maximize their profits, avowing profit losses over the misjudgement of future production movements, and for the consumer to maximize their utilities. The accuracy of these forecasting tools is mainly dependent on the kind and quality of information which is later given to the input data in the forecasting model. Furthermore, based on the detail study inputs variables such as wind speed, wind direction, relative humidity, temperature, pluviosity irradiation and seasonal data have been found valuable to develop forecasting models. From plentiful of techniques to predict production energy for each technology are linear regression method, multilayer regression, and Artificial neural networks (ANN) along with approach (Levenberg-Marquardt Algorithm (LMA)) Obtained results after correlation (Pearson coefficient correlation) of the input is feedforward to the neural network and many models have been constructed. These results from the neural network have been compared with actual production from predicted forecasting results. The obtained output is supplied to error management techniques such as Mean Absolute Percentage Errors (MAPE). The Accomplishment appraisal was performed through the Mean Absolute Percentage Error (MAPE) and Absolute Percentage Error (APE), and it was terminating the forecast models developed to show a very acceptable accuracy. however, to minimize the error reduction is accomplished which is exhibit the results. Furthermore, many forecasting models were performed and later compared from least to good forecasting models. By this way helps to attain the most efficient, low-risk error production forecasting models for each technology have been achieved in results. | pt_PT |
| dc.identifier.tid | 202549674 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/16669 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Mercado Ibérico de Eletricidade (MIBEL) | pt_PT |
| dc.subject | Produção diária | pt_PT |
| dc.subject | Mercado de eletricidade | pt_PT |
| dc.subject | Técnicas de previsão de curto prazo | pt_PT |
| dc.subject | Mercado competitivo | pt_PT |
| dc.subject | Coeficiente de Pearson | pt_PT |
| dc.subject | Algoritmo de Levenberg-Marquardt (LMA) | pt_PT |
| dc.subject | Rede Neural Artificial (RNA) | pt_PT |
| dc.subject | Iberian electricity market (MIBEL) | pt_PT |
| dc.subject | Daily production | pt_PT |
| dc.subject | Electricity market | pt_PT |
| dc.subject | Short-term forecasting techniques | pt_PT |
| dc.subject | Competitive market | pt_PT |
| dc.subject | Pearson Coefficient | pt_PT |
| dc.subject | Levenberg-Marquardt Algorithm (LMA) | pt_PT |
| dc.subject | Artificial Neural Network (ANN) | pt_PT |
| dc.title | Short-term Forecasting of Electricity Generation using Artificial Neural Networks (ANN) | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Eletrotécnica - Sistemas Elétricos de Energia | pt_PT |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- DM_DeepakNatesan_2020_MEESE.pdf
- Size:
- 5.14 MB
- Format:
- Adobe Portable Document Format