SISTEMA DE MONITORAMENTO IOT DA IRRADIÂNCIA SOLAR COM LDR APLICANDO APRENDIZAGEM DE MÁQUINA

Resumo

O estudo propõe o uso de Resistor Dependente de Luz (Light Dependent Resistors - LDRs) como alternativa de baixo custo e alta eficiência aos piranômetros. Oferece propostas de um modelo capaz de converter os valores medidos pelo LDR em dados de irradiância solar. A pesquisa descreve o desenvolvimento de um sistema de monitoramento baseado em Internet das Coisas utilizando a plataforma ThingSpeak. Nesse sistema, os sinais analógicos de tensão do LDR, que varia sua resistividade de acordo com a luminosidade, são captados e enviados ao servidor para comparação com os valores medidos pelo piranômetro (W/m²). Foram coletados dados desses equipamentos por três semanas, limitados ao intervalo diário de funcionamento do piranômetro. Em uma análise inicial, a correlação entre as leituras revelou um coeficiente de determinação (R²) de 0,87, evidenciando a correlação existente entre as medições do LDR e do piranômetro. No entanto, destaca-se que o LDR não é o mais adequado para medições de irradiância solar, mas foiempregado aqui para avaliar o desempenho dos métodos de aprendizado de máquina. Assim, foram obtidas 12.565 medições, das quais 80% foram utilizadas para treinamento e 20% para testes dos modelos aplicados, incluindo Regressão Polinomial (RP), Support Vector Machine (SVM) e Rede Neural Artificial (RNA). Os resultados indicam que SVM e RNA obtiveram R² de 0,92 nos testes, superando a RP, que alcançou 0,9 na capacidade de prever a irradiância solar com base no LDR. O SVM se destacou devido à menor complexidade de uso e ao tempo de treinamento mais rápido. No entanto, ao analisar o erro médio entre as medidas do piranômetro e as previstas pelos modelos, observou-se que a RP apresentou erro de 22,48%, SVM registrou 18,48% e RNA um erro de 20,43%, corroborando o fato de que este sensor não é o mais adequado para este fim.