MODELAGEM COMPUTACIONAL DA SÉRIE TEMPORAL DA IRRADIAÇÃO GLOBAL HORIZONTAL ESTIMADA POR DADOS DE SATÉLITE

Resumo

O ítem de maior risco de um empreendimento solar é o conhecimento imperfeito da irradiação solar, pelo fato de não haver capilaridade das estações de medições porque seria inviável economicamente a densificação nos níveis desejados. Dessa maneira, é padrão no mercado buscar ou modelar dados de imagens de satélites porque estas possuem abrangência de praticamente todo o globo terrestre e séries temporais longas de mais de 20 anos, entretanto, estão sujeitas a problemas como viés. O presente trabalho tem como objetivo desenvolver modelos para estimar os níveis de irradiância global horizontal GHI de longo prazo na cidade de Patos na Paraíba utilizando dados estimados por satélite e fazendo seu ajuste com uma série temporal medida em uma estação solarimétrica de alto desempenho durante 01 ano. A modelagem foi feita através dos métodos: regressão linear multivariada, Redes Neurais Artificiais (MLP) e machine learning (Support Vector Machine for Regression-SVR), implementados na linguagem Python. Para obter melhores resultados, houve o pré- processamento dos datasets para identificar e suprimir lacunas, retirar outliers sincronizar as séries temporais (satélite e terrestre) e a partição em 03 faixas de Kt. Para evidenciar o sucesso desta implementação, foram utilizadas quatro métricas estatísticas: coeficiente de correlação de Pearson, erro médio absoluto, erro médio quadrático e erro médio. Os seguintes resultados foram obtidos: no intervalo 0,0< Kt ≤ 0,35 houve melhora em todos os indicadores estatísticos para os 03 métodos e considerando as 04 métricas o melhor método foi o MLP; no intervalo 0,3< Kt<0,70 não houve melhora (as diferenças são erros de arredondamento) e finalmente no intervalo 0,7 ≤ Kt <1,1 houve discreta melhora no método MLP.