Davi Bibiano Brito
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Davi Bibiano Brito has a total of 9 co-authors. Here are the top co-authors by number of shared publications:
- Gustavo Costa Gomes de Melo
UFAL
4 shared publications - Ícaro Bezerra Queiroz de Araújo
Computing Institute, Federal University of Alagoas
4 shared publications - Erick de Andrade Barboza
UFAL
3 shared publications Icaro Gabriel Paiva Bastos
UFAL
2 shared publications- Igor Cavalcante Torres
UFAL
2 shared publications - Tiago Vieira
Federal University of Alagoas
2 shared publications
Latest Publications
- Open Access
How Does Neural Network Model Capacity Affect Photovoltaic Power Prediction? A Study Case
The use of models capable of forecasting the production of photovoltaic (PV) energy is essential to guarantee the best possible integration of this energy source into traditional distribution grids. Long Short-Term Memory networks (LSTMs) are commonly used for this purpose, but their use may not be the better option due to their great computational complexity and slower inference and training time. Thus, in this work, we seek to evaluate the use of neural networks MLPs (Multilayer Perceptron), Recurrent Neural Networks (RNNs), and LSTMs, for the forecast of 5 min of photovoltaic energy production. Each iteration of the predictions uses the last 120 min of data collected from the PV system (power, irradiation, and PV cell temperature), measured from 2019 to mid-2022 in Maceió (Brazil). In addition, Bayesian hyperparameters optimization was used to obtain the best of each model and compare them on an equal footing. Results showed that the MLP performs satisfactorily, requiring much less time to train and forecast, indicating that they can be a better option when dealing with a very short-term forecast in specific contexts, for example, in systems with little computational resources.
Open AccessHow Does Neural Network Model Capacity Affect Photovoltaic Power Prediction? A Study Case
The use of models capable of forecasting the production of photovoltaic (PV) energy is essential to guarantee the best possible integration of this energy source into traditional distribution grids. Long Short-Term Memory networks (LSTMs) are commonly used for this purpose, but their use may not be the better option due to their great computational complexity and slower inference and training time. Thus, in this work, we seek to evaluate the use of neural networks MLPs (Multilayer Perceptron), Recurrent Neural Networks (RNNs), and LSTMs, for the forecast of 5 min of photovoltaic energy production. Each iteration of the predictions uses the last 120 min of data collected from the PV system (power, irradiation, and PV cell temperature), measured from 2019 to mid-2022 in Maceió (Brazil). In addition, Bayesian hyperparameters optimization was used to obtain the best of each model and compare them on an equal footing. Results showed that the MLP performs satisfactorily, requiring much less time to train and forecast, indicating that they can be a better option when dealing with a very short-term forecast in specific contexts, for example, in systems with little computational resources.
- Open Access
A Low-Cost IoT System for Real-Time Monitoring of Climatic Variables and Photovoltaic Generation for Smart Grid Application
Monitoring and data acquisition are essential to recognize the renewable resources available on-site, evaluate electrical conversion efficiency, detect failures, and optimize electrical production. Commercial monitoring systems for the photovoltaic system are generally expensive and closed for modifications. This work proposes a low-cost real-time internet of things system for micro and mini photovoltaic generation systems that can monitor continuous voltage, continuous current, alternating power, and seven meteorological variables. The proposed system measures all relevant meteorological variables and directly acquires photovoltaic generation data from the plant (not from the inverter). The system is implemented using open software, connects to the internet without cables, stores data locally and in the cloud, and uses the network time protocol to synchronize the devices’ clocks. To the best of our knowledge, no work reported in the literature presents these features altogether. Furthermore, experiments carried out with the proposed system showed good effectiveness and reliability. This system enables fog and cloud computing in a photovoltaic system, creating a time series measurements data set, enabling the future use of machine learning to create smart photovoltaic systems.
Open AccessA Low-Cost IoT System for Real-Time Monitoring of Climatic Variables and Photovoltaic Generation for Smart Grid Application
Monitoring and data acquisition are essential to recognize the renewable resources available on-site, evaluate electrical conversion efficiency, detect failures, and optimize electrical production. Commercial monitoring systems for the photovoltaic system are generally expensive and closed for modifications. This work proposes a low-cost real-time internet of things system for micro and mini photovoltaic generation systems that can monitor continuous voltage, continuous current, alternating power, and seven meteorological variables. The proposed system measures all relevant meteorological variables and directly acquires photovoltaic generation data from the plant (not from the inverter). The system is implemented using open software, connects to the internet without cables, stores data locally and in the cloud, and uses the network time protocol to synchronize the devices’ clocks. To the best of our knowledge, no work reported in the literature presents these features altogether. Furthermore, experiments carried out with the proposed system showed good effectiveness and reliability. This system enables fog and cloud computing in a photovoltaic system, creating a time series measurements data set, enabling the future use of machine learning to create smart photovoltaic systems.
- Open Access
- 27 November 2020
- Published by Associação Brasileira de Energia Solar in Anais Congresso Brasileiro de Energia Solar - CBENS
PREVISÃO DE GERAÇÃO FOTOVOLTAICA A PARTIR DE DADOS METEOROLÓGICOS UTILIZANDO REDE LSTM
A natureza estocástica das condições climáticas, tais como radiação solar, temperatura ambiente, velocidade do vento, influencia diretamente a geração de energia fotovoltaica. Em decorrência, estimar a quantidade de energia gerada é de suma importância para a qualidade da produção, de maneira a evitar problemas na rede elétrica. Este trabalho apresenta uma aplicação de redes LSTM (Long Short-Term Memory) para previsão de dados de geração (tensão e corrente) em painéis fotovoltaicos a partir da utilização de dados meteorológicos. Os dados foram coletados a partir de uma estação solarimétrica de baixo custo próxima a usina de produção. As informações obtidas pela estação incluem: radiação solar, temperatura dos painéis, temperatura ambiente, umidade, velocidade do vento e quantidade de chuva. Estas informações são utilizadas para alimentar uma rede neural do tipo LSTM cuja função é a predição dos dados de corrente e tensão produzidos pelos painéis solares. Os resultados mostraram que a rede LSTM apresenta bons valores de estimação, tendo um erro médio absoluto menor do que 1%, tanto para a corrente quanto para a tensão.
- 27 November 2020
- Published by Associação Brasileira de Energia Solar in Anais Congresso Brasileiro de Energia Solar - CBENS
Open AccessPREVISÃO DE GERAÇÃO FOTOVOLTAICA A PARTIR DE DADOS METEOROLÓGICOS UTILIZANDO REDE LSTM
A natureza estocástica das condições climáticas, tais como radiação solar, temperatura ambiente, velocidade do vento, influencia diretamente a geração de energia fotovoltaica. Em decorrência, estimar a quantidade de energia gerada é de suma importância para a qualidade da produção, de maneira a evitar problemas na rede elétrica. Este trabalho apresenta uma aplicação de redes LSTM (Long Short-Term Memory) para previsão de dados de geração (tensão e corrente) em painéis fotovoltaicos a partir da utilização de dados meteorológicos. Os dados foram coletados a partir de uma estação solarimétrica de baixo custo próxima a usina de produção. As informações obtidas pela estação incluem: radiação solar, temperatura dos painéis, temperatura ambiente, umidade, velocidade do vento e quantidade de chuva. Estas informações são utilizadas para alimentar uma rede neural do tipo LSTM cuja função é a predição dos dados de corrente e tensão produzidos pelos painéis solares. Os resultados mostraram que a rede LSTM apresenta bons valores de estimação, tendo um erro médio absoluto menor do que 1%, tanto para a corrente quanto para a tensão.
- Open Access
- 27 November 2020
- Published by Associação Brasileira de Energia Solar in Anais Congresso Brasileiro de Energia Solar - CBENS
SISTEMA DE BAIXO CUSTO PARA O MONITORAMENTO CLIMÁTICO E DE GERAÇÃO DE MINI E MICROGERAÇÃO FOTOVOLTAICA
Um dos maiores desafios de um sistema fotovoltaico é o monitoramento confiável e em tempo real da sua geração de energia e das variáveis climáticas em que está submetido. O monitoramento permite estimar com precisão o desempenho do sistema fotovoltaico e detectar falhas que podem causar danos ao próprio sistema e a rede de distribuição elétrica ao qual está conectado. Os sistemas de monitoramento comerciais geralmente são caros e não medem todos os parâmetros necessários para um monitoramento completo dos sistema fotovoltaico. Este trabalho propõe um sistema de aquisição de dados de baixo custo, com alta taxa de amostragem e com capacidade de monitorar sete variáveis meteorológicas, além da tensão e corrente gerada por sistemas de micro e minigeração fotovoltaica. Uma comparação do sistema proposto com uma estação meteorológica comercial mostrou uma alta similaridade nas medições. Contudo, o sistema proposto apresenta uma maior frequência de amostragem e menor custo, ao se considerar o mesmo conjunto de variáveis meteorológicas.
- 27 November 2020
- Published by Associação Brasileira de Energia Solar in Anais Congresso Brasileiro de Energia Solar - CBENS
Open AccessSISTEMA DE BAIXO CUSTO PARA O MONITORAMENTO CLIMÁTICO E DE GERAÇÃO DE MINI E MICROGERAÇÃO FOTOVOLTAICA
Um dos maiores desafios de um sistema fotovoltaico é o monitoramento confiável e em tempo real da sua geração de energia e das variáveis climáticas em que está submetido. O monitoramento permite estimar com precisão o desempenho do sistema fotovoltaico e detectar falhas que podem causar danos ao próprio sistema e a rede de distribuição elétrica ao qual está conectado. Os sistemas de monitoramento comerciais geralmente são caros e não medem todos os parâmetros necessários para um monitoramento completo dos sistema fotovoltaico. Este trabalho propõe um sistema de aquisição de dados de baixo custo, com alta taxa de amostragem e com capacidade de monitorar sete variáveis meteorológicas, além da tensão e corrente gerada por sistemas de micro e minigeração fotovoltaica. Uma comparação do sistema proposto com uma estação meteorológica comercial mostrou uma alta similaridade nas medições. Contudo, o sistema proposto apresenta uma maior frequência de amostragem e menor custo, ao se considerar o mesmo conjunto de variáveis meteorológicas.