PREVISÃO DA RADIAÇÃO GLOBAL USANDO MODELOS DE REDES NEURAIS ARTIFICIAIS
DOI:
https://doi.org/10.59627/cbens.2024.2489Palavras-chave:
Radiação Global, Redes Neurais, Energia SolarResumo
Estudos envolvendo a disponibilidade solar para empreendimentos renováveis ganham grande importância no cenário de mitigação das mudanças climáticas. Mediante a isso, visando o potencial que os empreendimentos podem gerar, é possível, através de vários horizontes preditivos, otimizar decisões no setor fotovoltaico. O Instituto Nacional de Pesquisas Espaciais (INPE) criou a Rede SONDA com o intuito de sistematizar e organizar dados de torres para estudos envolvendo as energias renováveis. Foram selecionadas as cidades de Joinville (SC) e Natal (RN) para previsões em diferentes escalas de tempo. Em relação à previsão, o modelo de Redes Neurais Artificiais foi implementado para realizar um diagnóstico da energia solar com base em períodos de menor insolação, com base no ciclo diurno. Através da análise de dados que foram criados para este fim, os resultados revelaram uma acurácia excelente com o erro percentual absoluto médio (MAPE) em 0,0032% na previsão de uma hora à frente para Natal (RN), e um valor de 0,55% para Joinville (SC). Desse modo, é possível usar a ferramenta como forma de otimizar a confiabilidade da prospecção de energia solar.
Downloads
Referências
Bedaque, Paulo; Bretones, Paulo Sergio. Variação da posição de nascimento do Sol em função da latitude. Revista Brasileira de Ensino de Física, v. 38, 2016.
Bocco, Mónica; Ovando, Gustavo; Sayago, Silvina. Desenvolvimento e avaliação de modelos de redes neurais para estimação da irradiação solar diária em Córdoba, Argentina. Pesquisa Agropecuária Brasileira, v. 41, n. 2, p. 179-184, 2006.
Dike et al. 2018 Dike, H. U. et al. Unsupervised learning based on artificial neural network: A review. In: 2018 IEEE International Conference on Cyborg and Bionic Systems (CBS). [S.l.: s.n.], 2018. p. 322–327
Driemel, Amelie et al. Baseline Surface Radiation Network (BSRN): structure and data description (1992–2017). Earth System Science Data, v. 10, n. 3, p. 1491-1501, 2018.
Elminir, H. K., Areed, F. F., Elsayed, T. S. 2004. Estimation of solar radiation components incident on Helwan site using neural networks. Solar Energy 79. pp. 270–279.
Haykin, S. Neural networks principles and practices. 2°. ed. Canada: Prentice Hall, 1998.
Honaker, James; KING, Gary; BLACKWELL, Matthew. Amelia II: A program for missing data. Journal of statistical software, v. 45, p. 1-47, 2011.
Martins, Fernando Ramos et al. Projeto SONDA–rede nacional de estações para coleta de dados meteorológicos aplicados ao setor de energia. In: Congresso Brasileiro de Energia Solar-CBENS. 2007.
Moreira, Patricia Simone Palhana et al. Ciclo diário de variáveis meteorológicas nos biomas do estado de Mato Grosso. Revista Brasileira de Climatologia, v. 17, 2015.
Nguyen, K.; Fookes, C.; Sridharan, S. Improving deep convolutional neural networks with unsupervised feature learning. 2015 IEEE International Conference on Image Processing (ICIP). Anais... Em: 2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP). set. 2015. Disponível em: https://ieeexplore.ieee.org/document/7351206. Acesso em: 20 nov. 2023
Ohmura, Atsumu et al. Baseline Surface Radiation Network (BSRN/WCRP): New precision radiometry for climate research. Bulletin of the American Meteorological Society, v. 79, n. 10, p. 2115-2136, 1998.
Pereira, E. B. et al., Atlas brasileiro de energia solar. 2.ed. São José dos Campos: INPE, 2017. 80p. Disponível em: http://doi.org/10.34024/978851700089
Pereira, Enio Bueno; Colle, S. A. A energia que vem do Sol. Ciência e Cultura, v. 22, n. 130, p. 24-35, 1997.
J. Mubiru, E.J.K.B. Banda. 2007. Estimation of monthly average daily global solar irradiation using artificial neural networks. Solar Energy 82. pp. 181–187.
Prechelt, L. et al. Proben1: A set of neural network benchmark problems and benchmarking rules. Citeseer Sivanandam e Deepa 2006 SIVANANDAM, S.; DEEPA, S. Introduction to neural networks using Matlab 6.0. [S.l.]: Tata McGraw-Hill Education, 2006.
Silva, Enid Rocha Andrade da Coordenadora. Agenda 2030: ODS-Metas nacionais dos objetivos de desenvolvimento sustentável. 2018.
Rodrigues, Daniele T. et al. Imputation of precipitation data in northeast Brazil. Anais da Academia Brasileira de Ciências, v. 95, p. e20210737, 2023.
Sumer, Ö.; Dencker, T.; Ommer, B. Self-supervised Learning of Pose Embeddings from Spatiotemporal Relations in Videos. arXiv, , 7 ago. 2017. Disponível em: http://arxiv.org/abs/1708.02179. Acesso em: 20 nov. 2023.
Ohmura, Atsumu et al. Baseline Surface Radiation Network (BSRN/WCRP): New precision radiometry for climate research. Bulletin of the American Meteorological Society, v. 79, n. 10, p. 2115-2136, 1998.
