Gestão de um sistema fotovoltaico em instalação trifásica utilizando técnicas de Machine Learning

Abstract

Foi proposta para esta dissertação, realizar uma abordagem, utilizando o Machine Learning, de forma a prever a energia consumida de cada uma das fases de uma instalação trifásica e poder alterar para a fase mais favorável, tendo em conta o seu consumo. Para isso, as amostras de dados são retiradas diretamente dos equipamentos de medição de consumo energético. Estas amostras contêm os valores históricos das fases da instalação trifásica, com intervalos de 15 minutos. Para prever a curto prazo, fundamental na operação dos equipamentos, foram implementados e avaliados diversos algoritmos de Machine Learning em Python 3, como, por exemplo, Artificial Neural Networks, Linear Regression, Facebook Prophet, Support Vector Machines, Random Forest e Decision Trees. Após a previsão de cada um dos modelos, compararam-se, então, as previsões entre si com medidas de erro como RMSE, R2 e MAPE, para determinar qual dos algoritmos é que apresenta melhor resultado. Foi criado um outro programa em Python 3 para a escolha da melhor fase, utilizando os algoritmos que apresentaram as melhores previsões.

Within the scope of this dissertation, an approach was proposed to use Machine Learning, in order to predict the consumed energy of a three-phase installation and to be able to change to the most favorable phase, taking into account its consumption. In order to do this, data samples are taken directly from the energy consumption measuring equipment. These samples contain the historical values of the phases of the three-phase installation, with 15 minute intervals. In order to short-term predict, crucial to operate the equipment, several Machine Learning algorithms in Python 3 were implemented and evaluated, such as, for exemple, Artificial Neural Networks, Linear Regression, Facebook Prophet, Support Vector Machines, Random Forest and Decision Trees. After predicting each of the models, each prediction were, then, compared with error measures such as RMSE, R2 and MAPE, to determine which algorithm has the best result. Another Python 3 program was created to choose the best phase, using the algoritmhs that achieved the best predictions.