INFLUÊNCIA DOS FENÔMENOS CLIMÁTICOS DO EL NIÑO E DA LA NIÑA NA PREVISÃO DA MÉDIA DIÁRIA DE IRRADIAÇÃO GLOBAL NA CIDADE DE FORTALEZA
DOI:
https://doi.org/10.47820/acertte.v2i2.53Palavras-chave:
fenômenos, clima, FortalezaResumo
Neste trabalho, previsões da média diária de irradiação solar global foram obtidas pela aplicação de algoritmos de aprendizagem de máquina em dois conjuntos de dados formados por variáveis exógenas (insolação, temperatura do ar, precipitação, etc), variáveis endógenas (série temporal da média diária de irradiação solar global) e variáveis temporais (ano, mês e dia da medição). A diferença entre os conjuntos de dados está relacionada ao fato de que em um se considera as intensidades dos fenômenos climáticos do El Niño e da La Niña como preditores para os modelos de aprendizagem utilizados, enquanto no outro não se considera. Desta forma, foi possível avaliar se a adição do preditor relacionado ao El Niño/La Niña contribui para uma melhor acurácia de previsão por parte dos modelos aplicados: Máquina de Aprendizagem Mínima, Regressão por Vetor Suporte, Florestas Aleatórias, K-Vizinhos mais Próximos e uma árvore de regressão com o uso de Bootstrap. As métricas de erro Erro Médio Absoluto, Erro de Viés Médio, Raiz do Erro Quadrático Médio, Raiz do Erro Quadrático Médio Relativo e Habilidade de Previsão foram utilizadas para a análise do desempenho dos algoritmos. A média aritmética da Raiz do Erro Quadrático Médio e da Habilidade de Previsão para o caso em que se considerou o El Niño/La Niña como atibutos foram de 40.78 W/m² e 7,87% , respectivamente. Já para o caso em que não se considera tais preditores os valores obtidos foram de 40.86 W/m² e 7.69%. Indicando que o uso destes preditores aumenta a acurácia de previsão dos algoritmos em questão.
Downloads
Referências
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
Downloads
Publicado
Como Citar
Edição
Secção
Categorias
Licença
Direitos de Autor (c) 2022 REVISTA CIENTÍFICA ACERTTE - ISSN 2763-8928
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 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.
