TÉCNICA DE APRENDIZADO DE MÁQUINAS PARA ESTIMAR A FRAÇÃO DIFUSA DA RADIAÇÃO GLOBAL COM BASE EM VARIÁVEIS CLIMATOLÓGICAS PARA UMA ZONA CLIMÁTICA SUBTROPICAL COM BIOMA DE MATA ATLÂNTICA, ÚMIDO MESOTÉRMICO.
DOI:
https://doi.org/10.59627/cbens.2024.2433Palavras-chave:
Radiação difusa, Aprendizado de Máquinas, Perceptron MulticamadasResumo
O trabalho propõe a utilização de uma Técnica de Aprendizado de Máquinas para estimativa da fração difusa (Kd) da irradiação global solar a partir de um conjunto de combinações de variáveis astronômicas e meteorológicas medidas e calculadas que foram extraídos no período de 2020 a 2022 de uma das seis Estações de Pesquisa em Energia Solar do Laboratório de Energia Solar – Labens, da Universidade Tecnológica Federal do Paraná. A técnica de aprendizado de máquina utilizado são Redes Neurais Artificiais (RNA/MLP) e para verificar o desempenho da técnica é elaborado um modelo estatístico (ME) utilizando somente a fração transmitida da irradiação solar global (KT) como variável de referência. As variáveis de entrada para treinamento das RNA/MLP compreendem valores de nove variáveis astronômicas e meteorológicas medidas e calculadas. O desempenho é avaliado pelo coeficiente de correlação (r) e o índice de precisão (RMSE) e o modelo estatístico (ME) elaborado e ajustado por regressão polinomial de 4ª ordem e apresenta um coeficiente de determinação (R2) de 0,7919 o que mostra que Kd está correlacionado com KT estatisticamente. O índice de desempenho do modelo estatísticos (ME) na validação com a base de dados foi de RMSE = 30,7015% o que mostra uma boa aproximação dos valores estimados aos medidos e de correlação de r=0,8899 o que mostra a importância das variáveis independente para variável dependente. Pode-se observar nos resultados que com as RNA/MLP os indicadores de desempenho (RMSE) apresentaram uma redução em relação ao ME em aproximadamente 23%, o que mostra que a inserção de variáveis contribui nas estimativas de (Kd) com as condições astronômicas, meteorológicas e geográficas utilizadas.
Downloads
Referências
Alam, S., Kaushik, S. C.; Garg, S. N.. Computation of beam solar radiation at normal incidence using artificial neural network. Renewable Energy. v.31, p.1483–1491, 2006.
Alam, S.; Kaushik, S.C.; Garg, S. N.. Assessment of diffuse solar energy under general sky condition using artificial neural networtk. Applied Energy, vol. 86, p. 554–564, 2009.
Bakirci, K.. Models for the estimation of diffuse solar radiation for typical cities in Turkey. Energy. vol. 82, p. 827 – 838, 2015.
Boznar, M. Z.; Bostijan, G.; Oliveira, A. P.; Soares, J.; Mlakar, P.. Spatially transferable regional model for half-hourly values of diffuse solar radiation for general sky conditions based on perceptron artificial neural networks. Renewable Energy, vol. 103, p. 794 – 810, 2017.
Chandrasekaran, J.; Kumar, S.. Hourly diffuse fraction correlationa at a tropical location. Solar Energy, vol. 53, no 6, p. 505 – 510, 1994.
Dal Pai, A.; Escobedo, J. F.; Dal Pai, E.; Oliveira, A. P.; Soares, J. R.; Codato, G.. MEO shadowring method for measuring diffuse solar irradiance: corrections based on sky cover. Renewable Energy, vol. 99, p.754 - 76, 2016.
Drechmer, P. A. O.; Ricieri, R. P.. Irradiação global, direta e difusa, para a região d Irradiação global, direta e difusa, para a região de para a região de Cascavel, Estado e Cascavel, Estado do Paraná do Paraná. Acta Scientiarum Technology, vol. 28, n. 1 pp. 73 – 77, 2006.
Drummond, A. J., 1956, Arch. Met. Geoph. B. Serie B. vol. 7, Issue 3 - 4, p. 413 – 436, 1956.
Elizondo, D.; Hoogenboom, G.; McClendon, R. W.. Development of a neural network model to predict daily solar radiation. Agricultural and Forest Meteorology, vol. 71, p. 115 - 132, 1994.
Escobedo, J. F.; Dal Pai, A.; Lenz, L.C.; Prado, M. B.. Efeito da cobertura do céu no aumento das frações solar difusa e par-difusa em estufa de polietileno. Avances en Energías Renovables y Medio Ambiente, Vol. 17, pp.02.19-02.25, 2013.
Escobedo, J. F.; Gomes, E. N.; Oliveira, A. P.; Soares, J.. Ratios of UV, PAR and NIR components to global solar radiation measured at Botucatu site in Brazil. Renewable Energy, v.36, p.169-178, 2011.
Fletcher D.S., Goss, E. . Forecasting with neural network: an application using bankruptcy data. Information Management, vol.24, p.159–67, 1993.
Gueymard, C.. REST2: high-performance solar radiation model for cloudless sky irradiance, illuminance, and photosynthetically active radiation e validation with a benchmark dataset, Solar Energy, vol. 82, pp. 272 – 285, 2008.
Haykin, S. Redes neurais: princípios e prática. 2.ed. Porto Alegre, Bookman, 2001.
Ihya, B.; Mechaqrane, A.; Tadili, R.; Bargach, M. N.. Prediction of hourly and daily diffuse solar fraction in the city of Fez (Morocco). Theor Appl Climatol, vol. 120, pp.737 – 749, 2014.
Jacovides, C.P.; Tymvios, F. S.; Assimakopoulos, V. D.; Kaltsounides, N. A.. Comparative study of various correlations in estimating hourly diffuse fraction of global solar radiation. Renewable Energy, vol. 31, p. 2492 – 2504, 2006.
Jamil, B.; Akhtar, N.. Estimation of diffuse solar radiation in humid-subtropical climatic region of India: Comparison of diffuse fraction and diffusion coefficient models. Energy, vol. 131, p. 149 – 164, 2017.
Kalogirou, S. Applications of artificial neural-networks for energy systems. Applied Energy, vol. 67, p .17 – 35, 2000.
Kaushika, N.D.; Tomar, R.K.;Kaushik, S.C..Artificial neural network model based on interrelationship of direct, diffuse and global solar radiations. Solar Energy, vol. 103, pp. 327–342, 2014.
Khatib, T.; Mohamed, A.; Sopian, K.; Mahmoud, M.. Assessment of Artificial Neural Networks for Hourly Solar Radiation Prediction. International Journal of Photoenergy, vol. 2012, p. 1 - 8, 2012.
Khorasanizadeh, H.; Mohammadi, K.; Goudarzi, N.. Prediction of horizontal diffuse solar radiation using clearness index based empirical models: A case study. International Journal o f Hydrogen Energy, vol. 41, p. 21888 – 21898, 2016.
Kumar, R.; Aggarwal, R.K.; Sharma, J.D.. Comparison of regression and artificial neural network models for estimation of global solar radiations. Renewable and Sustainable Energy Reviews, vol. 52, p. 1294 – 1299, 2015.
Kuo, C.W., Chang, W.C., Chang, K.C.. Modeling the hourly solar diffuse fraction in Taiwan. Renewable Energy 66, 56–61. 2014
Liu, B.H.Y.; Jordan, R. C.. The interrelationship and characteristic distribuition of direct, diffuse and total solar radiation. Solar Energy, vol. 4, pp. 1, 1960.
Marques Filho, E. P.; Oliveira, A. P.; Willian A. Vita, W. A.;Mesquita, F. L. L.;Codato, G.; Escobedo, J. F.;Cassol, M.;França, J. R. A..Global, diffuse and direct solar radiation at the surface in the city of Rio de Janeiro: Observational characterization and empirical modeling. Renewable Energy, vol. 91, p. 64 – 74, 2016.
Martinez, C.; Cúnsulo, M.. Seguidor automático para bloqueador de radiación solar. Avances en Energías Renovables y Medio Ambiente, 2017.
Melo, J. M. D.; Escobedo, J. F.. Medida da radiação solar difusa. In: Energias Limpias em progresso. VII Congresso Ibérico de Energia Solar,Vigo, Espanha. Anais International Solar Energy Society, vol. 1, 1994.
Moustris, K.; Paliatsos, A. G.; Bloutsos, A.; Nikolaidis, K.; Koronaki, I.; Kavadias, K.. Use of neural networks for the creation of hourly global and diffuse solar irradiance data at representative locations in Greece. Renewable Energy, vol. 33, p 928 – 932, 2008.
Oliveira, A. P.; Escobedo, J. F.; Machado, A. J.; Soares, J.. Correlation models of diffuse solar-radiation applied to the city of São Paulo, Brazil. Applied Energy, vol. 71, p. 59 – 73, 2002.
Pashiardis, S.; Kalogirou, S.A.. Quality control of solar shortwave and terrestrial longwave radiation for surface radiation measurements at two sites in Cyprus. Renewable Energy, vol. 96, p. 1015 – 1033, 2016.
Paulescu, E.; Blaga, R.. Regression models for hourly diffuse solar radiation. Solar Energy, vol. 125, p. 111 – 124, 2016.
Reindl, D. T.; Beckman W. A.; Duffie, J. A.. Diffuse fraction correlations. Solar Energy, v.45, p.1 – 7, 1990.
Ridley, B.; Boland, J.; Lauret, P..Modelling of diffuse solar fraction with multiple predictors. Renewable Energy, vol. 35, p. 478–483, 2010.
Robinson, H., Stoch, L. Sky radiation and measurements and corrections. Journal of Applied Meteorology, v.3, pp.179-81, 1964.
Ruiz-Arias, J.A.; Alsamamra, H.; Tovar-Pescador, J.; Pozo-Vázquez, D.. Proposal of a regressive model for the hourly diffuse solar radiation under all sky conditions.. Energy Conversion and Management, vol. 51, p. 881 – 893, 2010.
Silva, F. R., Oliveira, H. S. M., Marinho, G. S.. Análise das componentes global e difusa da radiação solar em Natal-RN entre 2007 e 2008. II Congresso Brasileiro de Energia Solar e III Conferência Regional Latino-Americana da ISES - Florianópolis, 18 a 21 de novembro de 2008
Stone, R.J.. Improved statistical procedure for the evaluation of solar radiation estimation models. Solar Energy, vol. 5I,n o4, p. 289 – 291, 1993.
Teke, A.; Yıldırım, H. B.; Celik, O.. Evaluation and performance comparison of diferente models for the estimation of solar radiation. Renewable and Sustainable Energy Reviews, vol. 50, p. 1097 – 1107, 2015.
Tomar, R. K.; Kaushika, N. D., Kaushik, S. C. Artificial neural network based computational model for the prediction of direct solar radiation in Indian zone. Journal of Renewable and Sustainable Energy. Vol. 4, p.063 – 146, 2012.
Tymvios, F. S.; Jacovides, C.P.; Michaelides, S.C.; Scouteli, C.. Comparative study of Ångström’s and artificial neural networks’methodologies in estimating global solar radiation. Solar Energy, vol. 78, p. 752-762, 2005.
Willmott, C. J. On the validation of models. Physical Geography, vol. 2, p. 184-194, 1982.
Xue, Xinhua. Prediction of daily diffuse solar radiation using artificial neural networks. International Journal of Hydrogen Energy. vol. 42, p. 28214 – 28221, 2017.
Younes, S.; Claywell, R.; Muneer, T.. Quality control of solar radiation data: Present status and proposed new approaches. Energy, vol. 30, p. 1533 – 1549, 2005.
