| Summary: | 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
|
|---|