Please use this identifier to cite or link to this item:
http://repositoriosenaiba.fieb.org.br/handle/fieb/1914| Title: | Uso de inteligência artificial e softwares de dimensionamento e simulação para análise de geração de energia em plantas fotovoltaicas |
| Authors: | Fernandes, Carlos Eduardo Malaquias |
| metadata.dc.contributor.advisor: | Pessoa, Fernando Luiz Pellegrini |
| metadata.dc.contributor.advisor-co: | Sabino, Edson Ricardo Calado |
| metadata.dc.contributor.referees: | Pinheiro, Oberdan Rocha Pedrosa Filho, Manoel Henrique de Oliveira |
| Keywords: | Energia Solar;Previsão Meteorológica;Produção Energética;Softwares Fotovoltaicos;Redes Neurais |
| Issue Date: | 5-Sep-2024 |
| Publisher: | Centro Universitário SENAI CIMATEC |
| Citation: | PESSOA, Carlos Eduardo Malaquias. Uso de inteligência artificial e softwares de dimensionamento e simulação para análise de geração de energia em plantas fotovoltaicas. Orientador: Fernando Luiz Pellegrini Pessoa. 2024. 124 f. Dissertação (Mestrado em Modelagem Computacional e Tecnologia Industrial) – Centro Universitário SENAI CIMATEC, Salvador, 2024. |
| metadata.dc.description.resumo: | O estudo acadêmico tem como foco mostrar o uso dos softwares de dimensionamento e simulação como o PV*SOL e PVsyst para análise de dados reais medidos de usinas solares em Petrolina (PE) e Messias (AL), em comparação com dados meteorológicos de estações próximas. O objetivo é avaliar a precisão e a utilidade dessas ferramentas de software para implementação, teste e monitoramento de usinas solares. Os fatores considerados para a concepção do projeto fotovoltaico incluem dados meteorológicos, sombreamento do local, orientação do módulo, posicionamento geográfico, perdas de temperatura, componentes elétricos, equipamentos e mudanças climáticas. Foi realizada uma análise abrangendo janeiro a dezembro de 2023, com intervalos de hora em hora com base em dados meteorológicos confiáveis. As ferramentas de software auxiliam no dimensionamento do sistema considerando esses fatores, variáveis adicionais e fazendo revisões. É crucial que estas ferramentas produzam resultados precisos para prever a produção de energia que corresponda próxima à produção real. A qualidade dos bancos de dados meteorológicos e dos modelos matemáticos utilizados também impacta o desempenho dos softwares, com esforços feitos para filtrar, qualificar e catalogar fontes de dados. Os resultados de produção mostraram 3796 MWh/ano para a Usina Petrolina, 1171 MWh/ano para a Usina Messias II, com variações de - 0,79 % a 8,89% observadas entre os dados medidos e estimados. E uma correlação para esses mesmos dados variando de 0,77 a 0,93 e uma faixa de erro médio percentual de 5,46% a 10,57% para Petrolina e 10,18% a 24,06% para Messias. Juntamente com a análise de software, o estudo incorpora o uso do Neural Designer, um software de rede neural baseado em aprendizado de máquina, para análises comparativas adicionais nas mesmas usinas solares. As descobertas sugerem insights sobre as características da planta, alinhamento da produção de energia com as previsões do software e análise do projeto. Os resultados foram comparados com estudos similares e com a literatura já existente sobre o assunto, para corroborar com a proposta do estudo. |
| Abstract: | The academic study focuses on demonstrating the use of sizing and simulation software such as PV*SOL and PVsyst for analyzing real data measured from solar plants in Petrolina (PE) and Messias (AL), in comparison with meteorological data from nearby stations. The objective is to evaluate the accuracy and usefulness of these software tools for implementing, testing and monitoring solar plants. Factors considered for designing the PV project include meteorological data, site shading, module orientation, geographic positioning, temperature losses, electrical components, equipment and climate changes. An analysis was performed covering January to December 2023, with hourly intervals based on reliable meteorological data. The software tools assist in sizing the system by considering these factors, additional variables and making predictions. It is crucial that these tools produce accurate results to predict energy production that closely matches actual production. The quality of the meteorological databases and mathematical models used also impacts the performance of the software, with efforts made to filter, qualify and catalog data sources. The production results showed 3796 MWh/year for Usina Petrolina, 1171 MWh/year for Usina Messias II, with variations of -0,79% to 8,89% observed between the measured and estimated data. And a correlation for these same data ranging from 0,77 to 0,93 and a mean percentage error range of 5,46% to 10,57% for Petrolina and 10,18% to 24,06% for Messias. Along with the software analysis, the study incorporates the use of Neural Designer, a machine learning-based neural network software, for additional comparative analysis on the same solar plants. The findings suggest insights into plant characteristics, alignment of energy production with software predictions, and design analysis. The results were compared with similar studies and with existing literature on the subject, to corroborate the study proposal. |
| URI: | http://repositoriosenaiba.fieb.org.br/handle/fieb/1914 |
| Appears in Collections: | Dissertações de Mestrado (PPG MCTI) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| CARLOS EDUARDO MALAQUIAS FERNANDES.pdf | 3.14 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.