INFLUENCIA DE LOS FENÓMENOS CLIMÁTICOS DE EL NIÑO Y LA NIÑA EN EL PRONÓSTICO DEL PROMEDIO DIARIO DE IRRADIACIÓN GLOBAL EN LA CIUDAD DE FORTALEZA
DOI:
https://doi.org/10.47820/acertte.v2i2.53Palabras clave:
trabajo, se obtuvieron predicciones de la mediaResumen
En este trabajo, se obtuvieron predicciones de la media diaria de irradiación solar global aplicando algoritmos de machine learning en dos conjuntos de datos formados por variables exógenas (insolación, temperatura del aire, precipitación, etc.), variables endógenas (series temporales de la media diaria de irradiación solar global) y variables temporales (año, mes y día de medición). La diferencia entre los conjuntos de datos está relacionada con el hecho de que en uno se consideran las intensidades de los fenómenos climáticos de El Niño y La Niña como predictores de los modelos de aprendizaje utilizados, mientras que en el otro no se considera a sí mismo. Así, fue posible evaluar si la adición del predictor relacionado con El Niño/La Niña contribuye a una mejor precisión de la predicción mediante los modelos aplicados: Minimal Learning Machine, Vector Support Regression, Random Forests, Closer K-Neighbors y un árbol de regresión con el uso de Bootstrap. Las métricas de error Error medio absoluto, Error de sesgo medio, Raíz de error cuadrático medio, Raíz de error cuadrático medio relativo y Capacidad de predicción se utilizaron para analizar el rendimiento de los algoritmos. La media aritmética de la raíz del error cuadrático medio y la previsibilidad para el caso en el que El Niño/La Niña fue considerado como atibutos fueron de 40,78 W/m² y 7,87%, respectivamente. Para el caso en que no se consideren estos predictores, los valores obtenidos fueron de 40,86 W/m² y 7,69%. Indicando que el uso de estos predictores aumenta la precisión de la predicción de los algoritmos en cuestión.
Descargas
Citas
NOTTON, Gilles et al. Intermittent and stochastic character of renewable energy sources: Consequences, cost of intermittence and benefit of forecasting. Renewable and Sustainable Energy Reviews, v. 87, p. 96-105, 2018. DOI: https://doi.org/10.1016/j.rser.2018.02.007
QING, Xiangyun; NIU, Yugang. Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM. Energy, v. 148, p. 461-468, 2018. DOI: https://doi.org/10.1016/j.energy.2018.01.177
MEJIA, John F.; GIORDANO, Marco; WILCOX, Eric. Conditional summertime day-ahead solar irradiance forecast. Solar Energy, v. 163, p. 610-622, 2018. DOI: https://doi.org/10.1016/j.solener.2018.01.094
NONNENMACHER, Lukas; KAUR, Amanpreet; COIMBRA, Carlos FM. Day-ahead resource forecasting for concentrated solar power integration. Renewable energy, v. 86, p. 866-876, 2016. DOI: https://doi.org/10.1016/j.renene.2015.08.068
TRAPERO, Juan R.; KOURENTZES, Nikolaos; MARTIN, Alberto. Short-term solar irradiation forecasting based on dynamic harmonic regression. Energy, v. 84, p. 289-295, 2015. DOI: https://doi.org/10.1016/j.energy.2015.02.100
DONG, Zibo et al. Short-term solar irradiance forecasting using exponential smoothing state space model. Energy, v. 55, p. 1104-1113, 2013. DOI: https://doi.org/10.1016/j.energy.2013.04.027
PEDRO, Hugo TC; COIMBRA, Carlos FM. Nearest-neighbor methodology for prediction of intra-hour global horizontal and direct normal irradiances. Renewable energy, v. 80, p. 770-782, 2015. DOI: https://doi.org/10.1016/j.renene.2015.02.061
PEDRO, Hugo TC et al. Assessment of machine learning techniques for deterministic and probabilistic intra-hour solar forecasts. Renewable Energy, v. 123, p. 191-203, 2018. DOI: https://doi.org/10.1016/j.renene.2018.02.006
PAWAR, Prathamesh et al. Detecting clear sky images. Solar Energy, v. 183, p. 50-56, 2019. DOI: https://doi.org/10.1016/j.solener.2019.02.069
KOO, Choongwan et al. A novel estimation approach for the solar radiation potential with its complex spatial pattern via machine-learning techniques. Renewable Energy, v. 133, p. 575-592, 2019. DOI: https://doi.org/10.1016/j.renene.2018.10.066
YAGLI, Gokhan Mert; YANG, Dazhi; SRINIVASAN, Dipti. Automatic hourly solar forecasting using machine learning models. Renewable and Sustainable Energy Reviews, v. 105, p. 487-498, 2019. DOI: https://doi.org/10.1016/j.rser.2019.02.006
BENALI, L. et al. Solar radiation forecasting using artificial neural network and random forest methods: Application to normal beam, horizontal diffuse and global components. Renewable energy, v. 132, p. 871-884, 2019. DOI: https://doi.org/10.1016/j.renene.2018.08.044
DE SOUZA JÚNIOR, Amauri Holanda et al. Minimal learning machine: a novel supervised distance-based approach for regression and classification. Neurocomputing, v. 164, p. 34-44, 2015. DOI: https://doi.org/10.1016/j.neucom.2014.11.073
CARRASCO, Miguel; LÓPEZ, Julio; MALDONADO, Sebastián. Epsilon-nonparallel support vector regression. Applied Intelligence, p. 1-14.
DRUCKER, Harris et al. Support vector regression machines. In: Advances in neural information processing systems. 1997. p. 155-161.
SHARMA, Navin et al. Predicting solar generation from weather forecasts using machine learning. In: 2011 IEEE international conference on smart grid communications (SmartGridComm). IEEE, 2011. p. 528-533. DOI: https://doi.org/10.1109/SmartGridComm.2011.6102379
WALCH, Alina et al. Spatio-temporal modelling and uncertainty estimation of hourly global solar irradiance using Extreme Learning Machines. Energy Procedia, v. 158, p. 6378-6383, 2019. DOI: https://doi.org/10.1016/j.egypro.2019.01.219
<http://enos.cptec.inpe.br/>. Acesso em 17. jun. 2019.
<https://www.noaa.gov/>. Acesso em 17. jun. 2019.
MOHAMMADI, Kasra; GOUDARZI, Navid. Study of inter-correlations of solar radiation, wind speed and precipitation under the influence of El Niño Southern Oscillation (ENSO) in California. Renewable energy, v. 120, p. 190-200, 2018. DOI: https://doi.org/10.1016/j.renene.2017.12.069
LI, Mao-Fen et al. General models for estimating daily global solar radiation for different solar radiation zones in mainland China. Energy conversion and management, v. 70, p. 139-148, 2013. DOI: https://doi.org/10.1016/j.enconman.2013.03.004
JAMES, Gareth et al. An introduction to statistical learning. New York: springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-7138-7
HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: principles and practice. OTexts, 2018.
MEHROTRA, Sanjay. On the implementation of a primal-dual interior point method. SIAM Journal on optimization, v. 2, n. 4, p. 575-601, 1992. DOI: https://doi.org/10.1137/0802028
KUHN, Max; JOHNSON, Kjell. Applied predictive modeling. New York: Springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-6849-3
BEN-ISRAEL, Adi; GREVILLE, Thomas NE. Generalized inverses: theory and applications. Springer Science & Business Media, 2003.
PENROSE, Roger. A generalized inverse for matrices. In: Mathematical proceedings of the Cambridge philosophical society. Cambridge University Press, 1955. p. 406-413. DOI: https://doi.org/10.1017/S0305004100030401
NIEWIADOMSKA-SZYNKIEWICZ, Ewa; MARKS, Michał. Optimization schemes for wireless sensor network localization. International Journal of Applied Mathematics and Computer Science, v. 19, n. 2, p. 291-302, 2009. DOI: https://doi.org/10.2478/v10006-009-0025-3
MARQUARDT, Donald W. An algorithm for least-squares estimation of nonlinear parameters. Journal of the society for Industrial and Applied Mathematics, v. 11, n. 2, p. 431-441, 1963. DOI: https://doi.org/10.1137/0111030
MORÉ, Jorge J. The Levenberg-Marquardt algorithm: implementation and theory. In: Numerical analysis. Springer, Berlin, Heidelberg, 1978. p. 105-116. DOI: https://doi.org/10.1007/BFb0067700
BELLMAN, Robert. Curse of dimensionality. Adaptive control processes: a guided tour. Princeton, NJ, 1961. DOI: https://doi.org/10.1515/9781400874668
WOLD, Svante; ESBENSEN, Kim; GELADI, Paul. Principal component analysis. Chemometrics and intelligent laboratory systems, v. 2, n. 1-3, p. 37-52, 1987. DOI: https://doi.org/10.1016/0169-7439(87)80084-9
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2022 REVISTA CIENTÍFICA ACERTTE
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista ACERTTE, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a ACERTTE apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
