AVALIAÇÃO DO ALGORITMO SEQUENTIAL MINIMAL OPTIMIZATION (SMO) NA ESTIMATIVA DA FRAÇÃO TRANSMITIDA DA IRRADIAÇÃO DIRETA NA INCIDÊNCIA NORMAL (ktbd)
DOI:
https://doi.org/10.59627/cbens.2016.1908Palavras-chave:
SVM, razão de insolação, WEKAResumo
Neste trabalho o algoritmo Sequential Minimal Optimization (SMO) é utilizado para estimar a fração transmitida da irradiação direta na incidência normal diária (ktbd). A Radial Basis Function (RBF) de Kernel é empregada para regressão. O modelo estatístico (#M3) é desenvolvido e comparado com o modelo (SMO3). A variável de entrada utilizada é a razão de insolação (n/N) [n é a duração do brilho solar e N o fotoperiodo]. Foram utilizadas medidas de 13 anos para região de Botucatu – SP. Duas bases de dados denominadas de ano típico (AT) e ano atípico (AAT), selecionados da base total de 13 anos, são utilizados para validação dos modelos. Na avaliação dos modelos foram usados: Relative Mean Bias Error (rMBE), Relative Root Mean Square Error (rRMSE), erro percentual relativo (℮) e d de Willmott. O SMO3 tem precisão melhor que o modelo #M3. A validação com AT e AAT foi satisfatória. Por último, o desempenho da SMO3 na estação chuvosa e seca é analisado para verificar a influência das nuvens, aerossóis e vapor d’água na dispersão das estimativas e o aumento dos erros. O SMO estima ktbd com melhor precisão e pode ser utilizado.
Downloads
Referências
Ångström, A. K., 1924. Solar and terrestrial radiation. Quarterly Journal of the Royal Meteorological Society, v.50, p.121.
Beyer, H. G., Fauter, M., Schumann, K., Schenk, H., Meyer, R., 2010. Synthesis of DNI time series with sub-hourly time resolution. In: 16th SolarPACES Conference. Perpignan (France).
Blanc, P. et al., 2014. Direct normal irradiance related definitions and applications: the circumsolar issue. Solar Energy, v.110, p.561–77.
Chen, J-L, Li, G-S, Wu, S-J., 2013. Assessing the potential of support vector machine for estimating daily solar radiation using sunshine duration. Energy Conversion and Management, v.75, p. 311–318.
Chen, J-L, LI, G-S., 2014. Evaluation of support vector machine for estimation of solar radiation from measured meteorological variables. Theoretical and Applied Climatology, v.115, p.627–638.
Chen, J-L., Li, G-S., Xiao, B-B., Wen, Z-F., LV, M-Q., Chen, C-D., Jiang, Y., Wang, X-X., Wu, S-J., 2015. Assessing the transferability of support vector machine model for estimation of global solar radiation from air temperature.
Energy Conversion and Management, v.89, p. 318–329.
Codato, G., Oliveira, A. P., Soares, J., Escobedo, J. F., Gomes, E. G., Dal Pai, A., 2008. Global and diffuse solar irradiances in urban and rural areas in southeast Brazil. Theoretical and Applied Climatology, v. 93, p.57–73.
Escobedo, J. F., Gomes, E. N., Oliveira, A. P., Soares, J., 2011. Ratios of UV, PAR and NIR components to global solar radiation measured at Botucatu site in Brazil. Renewable Energy, v.36, p.169-178.
Fernandez-Peruchena, C., Blanco, M., Bernardos, A., 2014. Generation of series of high frequency DNI years consistente with annual and monthly long-term averages using measured DNI data. Energy Procedia, v.49, p. 2321–2329.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten. I. H., 2009. The WEKA Data Mining Software:An Update, SIGKDD Explorations, Volume 11, Issue 1.
Heinemann, A. B., Van Oort, P. A. J., Fernandes, D. S., Maia, A. H. N., 2012. Sensitivity of APSIM/ORYZA model due to estimation errors in solar radiation. Bragantia, Campinas, v. 71, n. 4, p.572-582.
Jamieson, P. D., Porter, J. R., Wilson, D. R., 1991. A test of the computer simulation model ARC-WHEAT1 on wheat crops grown in New Zealand. Field Crops Research, v.27, p.337-350.
Kotti, M. C., Argiriou, A. A., Kazantzidis, A., 2014. Estimation of direct normal irradiance from measured global and correct diffuse horizontal irradiance. Energy, v.70, p.382-392.
Lorena, A. C., Jacintho, L. F. O., Siqueira, M. F., Giovanni, R., Lohmann, L. G., Carvalho, A. C. P. L. F., Yamamoto, M., 2011. Comparing machine learning classifiers in potential distribution modelling. Expert Systems with Applications, v.38, p.5268–5275.
Mohammadi, K., Shamshirband, S., Anisi, M. H., Alam, K, A., Petkovic, D., 2015. Support vector regression based prediction of global solar radiation on a horizontal surface. Energy Conversion and Management, v.91, p.433–441.
Padovan, A., Del Col., Sabatelli, V., Marano, D., 2014. DNI estimation procedures for the assessment of solar radiation availability in concentrating systems. Energy Procedia, v. 57, p.1140-1149.
PLATT, J., 1998. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines. Redmond: Microsoft Research. 21 p. TechReport.
Santos, C. M. et al., 2014. On modeling global solar irradiation using air temperature for Alagoas State, Northeastern Brazil. Energy, v.71, p.388-398.
Smola, A. J., Schölkopf, B., 2004. A tutorial on support vector regression. Statistics and Computing, v.14, p.199-222.
Vapnik, V. N. 1995. The nature of statistical learning theory. New York: Springer.
Viana, T. S., Ruthera, R., Martins, F. R., Pereira, E. B., 2011. Assessing the potential of concentrating solar photovoltaic generation in Brazil with satellite-derived direct normal irradiation. Solar Energy, v.85, p.486–495.
Witten, I. H., Frank, E., Hall, M. A., 2011. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed, 630p.
WMO - World Meteorological Organization., 1981. Meteorological Aspects of the Utilization of Solar Radiation as na Energy Source. World Meteorological Organization Technical Note No. 172, WMO-No. 557, Geneva, p. 298.
Yadav, A. K., Chandel, S. S., 2015. Solar energy potential assessment of western Himalayan Indian state of Himachal Pradesh using J48 algorithm of WEKA in ANN based prediction model. Renewable Energy, v.75, p.675-693.
