PREVISÃO DE IRRADIAÇÃO SOLAR PARA UM DIA A POSTERIORI USANDO A TRANSFORMADA WAVELET HAAR PARA OBTENÇÃO DE ATRIBUTOS

Resumo

Neste trabalho, realizou-se a previsão de irradiação solar global para um horizonte de um dia a posteriori por meio da utilização de dois modelos de aprendizagem de máquina, a saber: Máquina de Aprendizagem Mínima e Regressão por Vetor Suporte. Estes algoritmos foram aplicados em dois conjuntos de dados, um com a presença de atributos formados por variáveis exógenas (insolação, temperatura do ar, precipitação, etc), variáveis endógenas (dados históricos de irradiação solar) e variáveis temporais (ano, mês e dia da medição). O outro conjunto de dados consiste de preditores caracterizados por serem coeficientes obtidos por meio da aplicação da transfomada wavelet Haar à série histórica de irradiação solar, considerando os valores de irradiação solar de 15 dias anteriores em conjunto com o valor de irradiação do dia atual. Para o primeiro caso formou-se um conjunto com 44 atributos e 3254 observações, no segundo se teve um conjunto com 16 atributos e 3254 observações. A média da raiz do erro quadrático médio obtida pela aplicação dos modelos no primeiro conjunto de dados foi de 41,04 W/m² com uma habilidade de previsão média de 9,62 %, já para o segundo caso a média da raiz do erro quadrático médio foi de 44,15 W/m² com uma habilidade de previsão média de 2,78%. Desta forma, percebe-se que utilizando apenas os coeficientes wavelets como preditores para os modelos considerados, chegou-se a uma acurácia de previsão comparável ao caso em que se considera o conjunto com variáveis exógenas, endógenas e temporais. Ressaltando, que o uso desta decomposição traz os benefícios de se ter uma redução no número de preditores, bem como o uso de apenas variáveis endógenas, o que reduz o custo relacionado à aquisição dos demais atributos.