Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico

Detalhes bibliográficos
Autor(a) principal: Neto, Gilberto Perello Ricci
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/253379
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Sistemas de Informação.
id UFSC_d7f38ebcedbfbd6fcd51a36daa8ca642
oai_identifier_str oai:repositorio.ufsc.br:123456789/253379
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo óticoSegmentação SemânticaFluxo ÓpticoNowcastingNuvensintra-horaTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Sistemas de Informação.A influência das condições climáticas na incidência de irradiação solar representa um desafio à produção de energia fotovoltaica. Nuvens movendo-se ao redor do sol podem provocar saltos na irradiância em questão de segundos, resultando não apenas em perda de eficiência na produção de energia, como também em danos aos equipamentos. Para prever o impacto das nuvens em sistemas fotovoltaicos, métodos de previsão solar intra-hora (nowcasting) têm sido propostos. O presente trabalho utiliza técnicas de deep learning e de fluxo óptico para previsão intra-hora dos efeitos das nuvens. Esta previsão consiste na identificação de nuvens em imagens do céu, seguida pelo rastreio de sua movimentação. A identificação é feita via segmentação semântica, usando o modelo de rede neural PP-LiteSeg, treinado com um dataset de imagens de nuvens no horizonte. Detalhes sobre a criação deste dataset também são descrito no presente trabalho. Por sua vez, no rastreamento do movimento das nuvens, é empregado o método de fluxo óptico desenvolvido por Gunnar-Farneback. A predição é feita através de programa desenvolvido em Python, que processa uma sequência de fotos do horizonte e produz um vídeo indicando o tipo de cada nuvem, e também a direção e a velocidade de seu movimento. O programa classifica as nuvens com uma acurácia de 0,8698 e aponta, de maneira precisa, a direção de movimento através de setas inseridas nas imagens resultantes. Os resultados alcançados no presente trabalho indicam um grande potencial da técnica desenvolvida na área de energias renováveis.Florianópolis, SC.von Wangenheim, AldoArrais, Juliana MarianUniversidade Federal de Santa Catarina.Neto, Gilberto Perello Ricci2023-12-16T01:52:21Z2023-12-16T01:52:21Z2023-12-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisThe influence of weather conditions on solar irradiance poses a challenge to photovoltaic energy production. Clouds moving around the sun can cause abrupt fluctuations in irradiance within seconds, leading to not only a loss of efficiency in energy production but also potential damage to equipment. To forecast the impact of clouds on photovoltaic systems, nowcasting methods have been proposed. The present work employs deep learning and optical flow techniques for intra-hour prediction of cloud effects. This prediction involves cloud identification in sky images, followed by tracking their movement. Identification is performed through semantic segmentation using the PP-LiteSeg neural network model, trained on a dataset of horizon cloud images. Details regarding the creation of this dataset are also described in this work. For cloud motion tracking, the optical flow method developed by Gunnar-Farneback is employed. Prediction is carried out through a Python program that processes a sequence of horizon photos, producing a video indicating the type of each cloud, along with its direction and speed of movement. The program classifies clouds with an accuracy of 0.8698 and accurately indicates the direction of movement through arrows inserted in the resulting images. The results achieved in this study suggest significant potential for the developed technique in the field of renewable energy.application/pdfhttps://repositorio.ufsc.br/handle/123456789/253379porOpen Access.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2023-12-16T01:52:21Zoai:repositorio.ufsc.br:123456789/253379Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-12-16T01:52:21Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
title Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
spellingShingle Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
Neto, Gilberto Perello Ricci
Segmentação Semântica
Fluxo Óptico
Nowcasting
Nuvens
intra-hora
title_short Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
title_full Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
title_fullStr Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
title_full_unstemmed Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
title_sort Classificação e rastreamento de nuvens no horizonte para aplicações nowcasting via segmentação semântica e estimativa de fluxo ótico
author Neto, Gilberto Perello Ricci
author_facet Neto, Gilberto Perello Ricci
author_role author
dc.contributor.none.fl_str_mv von Wangenheim, Aldo
Arrais, Juliana Marian
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Neto, Gilberto Perello Ricci
dc.subject.por.fl_str_mv Segmentação Semântica
Fluxo Óptico
Nowcasting
Nuvens
intra-hora
topic Segmentação Semântica
Fluxo Óptico
Nowcasting
Nuvens
intra-hora
description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Sistemas de Informação.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-16T01:52:21Z
2023-12-16T01:52:21Z
2023-12-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/253379
url https://repositorio.ufsc.br/handle/123456789/253379
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv The influence of weather conditions on solar irradiance poses a challenge to photovoltaic energy production. Clouds moving around the sun can cause abrupt fluctuations in irradiance within seconds, leading to not only a loss of efficiency in energy production but also potential damage to equipment. To forecast the impact of clouds on photovoltaic systems, nowcasting methods have been proposed. The present work employs deep learning and optical flow techniques for intra-hour prediction of cloud effects. This prediction involves cloud identification in sky images, followed by tracking their movement. Identification is performed through semantic segmentation using the PP-LiteSeg neural network model, trained on a dataset of horizon cloud images. Details regarding the creation of this dataset are also described in this work. For cloud motion tracking, the optical flow method developed by Gunnar-Farneback is employed. Prediction is carried out through a Python program that processes a sequence of horizon photos, producing a video indicating the type of each cloud, along with its direction and speed of movement. The program classifies clouds with an accuracy of 0.8698 and accurately indicates the direction of movement through arrows inserted in the resulting images. The results achieved in this study suggest significant potential for the developed technique in the field of renewable energy.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1848498714122911744

Registros relacionados