Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais

Autores
Sabino, Edson Ricardo; Petribú, Leonardo; Barros, H.; Costa, A.; Castro Vilela, Olga de
Año de publicación
2017
Idioma
portugués
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Este trabajo busca contribuir a la predicción de la radiación solar horaria en horizontes de hasta 12 horas adelante. Para ello, han sido empleadas Redes Neuronales (ANNs) del tipo Perceptron Multicapa. A su vez, dichas redes han empleado, como variables regresoras, datos horarios de Índice de Claridad (Kt) y variables determinísticas estacionales con el propósito de mejorar la comprensión en cuanto a las características de estacionalidad diaria y anual de la serie de Kt para un emplazamiento en Petrolina-PE-Brasil. El objetivo es comparar los resultados logrados con el empleo de dichas variables estacionales (que, entre otros aspectos, tienen características de variables difusas - fuzzy variables) con aquellos logrados por otros modelos reportados por diferentes autores como las mismas ANNs sin las variables estacionales, los Modelos Autoregresivos y la Persistencia. El error (nRMSD) del modelo final ha variado entre 17,8% y 25,7% para horizontes de predicción desde 1 hasta 12 horas adelante. Las ANNs han superado el desempeño de la Persistencia y del Modelo Autoregresivo. Se ha demostrado que el empleo de las variables estacionales ha mejorado las predicciones de Kt realizadas por las ANNs.
This work aims to improve solar radiation forecast for horizons up to 12 hours ahead. In this sense, Neural Networks (ANN) of Multilayer Perceptron type were proposed, using as regressive variables, hourly clearness index (Kt) and seasonal deterministic variables, with the purpose of enhancing the understanding on the characteristics of daily and annual seasonal of Kt series for the city of Petrolina-PE-Brazil. The objective is to compare the results obtained with the use of such seasonal variables (which, among other aspects, have characteristics of fuzzy variables) with results of other models reported in the literature, such as ANNs without the use of seasonal variables, the Auto-Regressive Model and Persistence. The error (nRMSD) associated with the final model differs from 17.8% to 25.7% for horizons from 1 to 12 hours ahead. Neural networks surpassed the Persistence and the Autoregressive Model. It was proved that the use of the seasonal variables improved the results of Kt predictions using ANNs.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)
Materia
Ingeniería
Ciencias Exactas
Energía solar
predicciones
redes neuronales
índice de claridad
modelos autoregresivos
solar energy
forecasting
neural networks
clearness index
autoregressive models
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/140831

id SEDICI_3d98a43c68ed25025cc96bbbd3731898
oai_identifier_str oai:sedici.unlp.edu.ar:10915/140831
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonaisSabino, Edson RicardoPetribú, LeonardoBarros, H.Costa, A.Castro Vilela, Olga deIngenieríaCiencias ExactasEnergía solarprediccionesredes neuronalesíndice de claridadmodelos autoregresivossolar energyforecastingneural networksclearness indexautoregressive modelsEste trabajo busca contribuir a la predicción de la radiación solar horaria en horizontes de hasta 12 horas adelante. Para ello, han sido empleadas Redes Neuronales (ANNs) del tipo Perceptron Multicapa. A su vez, dichas redes han empleado, como variables regresoras, datos horarios de Índice de Claridad (Kt) y variables determinísticas estacionales con el propósito de mejorar la comprensión en cuanto a las características de estacionalidad diaria y anual de la serie de Kt para un emplazamiento en Petrolina-PE-Brasil. El objetivo es comparar los resultados logrados con el empleo de dichas variables estacionales (que, entre otros aspectos, tienen características de variables difusas - fuzzy variables) con aquellos logrados por otros modelos reportados por diferentes autores como las mismas ANNs sin las variables estacionales, los Modelos Autoregresivos y la Persistencia. El error (nRMSD) del modelo final ha variado entre 17,8% y 25,7% para horizontes de predicción desde 1 hasta 12 horas adelante. Las ANNs han superado el desempeño de la Persistencia y del Modelo Autoregresivo. Se ha demostrado que el empleo de las variables estacionales ha mejorado las predicciones de Kt realizadas por las ANNs.This work aims to improve solar radiation forecast for horizons up to 12 hours ahead. In this sense, Neural Networks (ANN) of Multilayer Perceptron type were proposed, using as regressive variables, hourly clearness index (Kt) and seasonal deterministic variables, with the purpose of enhancing the understanding on the characteristics of daily and annual seasonal of Kt series for the city of Petrolina-PE-Brazil. The objective is to compare the results obtained with the use of such seasonal variables (which, among other aspects, have characteristics of fuzzy variables) with results of other models reported in the literature, such as ANNs without the use of seasonal variables, the Auto-Regressive Model and Persistence. The error (nRMSD) associated with the final model differs from 17.8% to 25.7% for horizons from 1 to 12 hours ahead. Neural networks surpassed the Persistence and the Autoregressive Model. It was proved that the use of the seasonal variables improved the results of Kt predictions using ANNs.Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)2017info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf39-48http://sedici.unlp.edu.ar/handle/10915/140831info:eu-repo/semantics/altIdentifier/url/http://portalderevistas.unsa.edu.ar/index.php/averma/article/view/1290info:eu-repo/semantics/altIdentifier/issn/2314-1433info:eu-repo/semantics/altIdentifier/issn/2796-8111info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)porreponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:35:00Zoai:sedici.unlp.edu.ar:10915/140831Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:35:00.629SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
title Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
spellingShingle Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
Sabino, Edson Ricardo
Ingeniería
Ciencias Exactas
Energía solar
predicciones
redes neuronales
índice de claridad
modelos autoregresivos
solar energy
forecasting
neural networks
clearness index
autoregressive models
title_short Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
title_full Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
title_fullStr Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
title_full_unstemmed Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
title_sort Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais
dc.creator.none.fl_str_mv Sabino, Edson Ricardo
Petribú, Leonardo
Barros, H.
Costa, A.
Castro Vilela, Olga de
author Sabino, Edson Ricardo
author_facet Sabino, Edson Ricardo
Petribú, Leonardo
Barros, H.
Costa, A.
Castro Vilela, Olga de
author_role author
author2 Petribú, Leonardo
Barros, H.
Costa, A.
Castro Vilela, Olga de
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ingeniería
Ciencias Exactas
Energía solar
predicciones
redes neuronales
índice de claridad
modelos autoregresivos
solar energy
forecasting
neural networks
clearness index
autoregressive models
topic Ingeniería
Ciencias Exactas
Energía solar
predicciones
redes neuronales
índice de claridad
modelos autoregresivos
solar energy
forecasting
neural networks
clearness index
autoregressive models
dc.description.none.fl_txt_mv Este trabajo busca contribuir a la predicción de la radiación solar horaria en horizontes de hasta 12 horas adelante. Para ello, han sido empleadas Redes Neuronales (ANNs) del tipo Perceptron Multicapa. A su vez, dichas redes han empleado, como variables regresoras, datos horarios de Índice de Claridad (Kt) y variables determinísticas estacionales con el propósito de mejorar la comprensión en cuanto a las características de estacionalidad diaria y anual de la serie de Kt para un emplazamiento en Petrolina-PE-Brasil. El objetivo es comparar los resultados logrados con el empleo de dichas variables estacionales (que, entre otros aspectos, tienen características de variables difusas - fuzzy variables) con aquellos logrados por otros modelos reportados por diferentes autores como las mismas ANNs sin las variables estacionales, los Modelos Autoregresivos y la Persistencia. El error (nRMSD) del modelo final ha variado entre 17,8% y 25,7% para horizontes de predicción desde 1 hasta 12 horas adelante. Las ANNs han superado el desempeño de la Persistencia y del Modelo Autoregresivo. Se ha demostrado que el empleo de las variables estacionales ha mejorado las predicciones de Kt realizadas por las ANNs.
This work aims to improve solar radiation forecast for horizons up to 12 hours ahead. In this sense, Neural Networks (ANN) of Multilayer Perceptron type were proposed, using as regressive variables, hourly clearness index (Kt) and seasonal deterministic variables, with the purpose of enhancing the understanding on the characteristics of daily and annual seasonal of Kt series for the city of Petrolina-PE-Brazil. The objective is to compare the results obtained with the use of such seasonal variables (which, among other aspects, have characteristics of fuzzy variables) with results of other models reported in the literature, such as ANNs without the use of seasonal variables, the Auto-Regressive Model and Persistence. The error (nRMSD) associated with the final model differs from 17.8% to 25.7% for horizons from 1 to 12 hours ahead. Neural networks surpassed the Persistence and the Autoregressive Model. It was proved that the use of the seasonal variables improved the results of Kt predictions using ANNs.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)
description Este trabajo busca contribuir a la predicción de la radiación solar horaria en horizontes de hasta 12 horas adelante. Para ello, han sido empleadas Redes Neuronales (ANNs) del tipo Perceptron Multicapa. A su vez, dichas redes han empleado, como variables regresoras, datos horarios de Índice de Claridad (Kt) y variables determinísticas estacionales con el propósito de mejorar la comprensión en cuanto a las características de estacionalidad diaria y anual de la serie de Kt para un emplazamiento en Petrolina-PE-Brasil. El objetivo es comparar los resultados logrados con el empleo de dichas variables estacionales (que, entre otros aspectos, tienen características de variables difusas - fuzzy variables) con aquellos logrados por otros modelos reportados por diferentes autores como las mismas ANNs sin las variables estacionales, los Modelos Autoregresivos y la Persistencia. El error (nRMSD) del modelo final ha variado entre 17,8% y 25,7% para horizontes de predicción desde 1 hasta 12 horas adelante. Las ANNs han superado el desempeño de la Persistencia y del Modelo Autoregresivo. Se ha demostrado que el empleo de las variables estacionales ha mejorado las predicciones de Kt realizadas por las ANNs.
publishDate 2017
dc.date.none.fl_str_mv 2017
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/140831
url http://sedici.unlp.edu.ar/handle/10915/140831
dc.language.none.fl_str_mv por
language por
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://portalderevistas.unsa.edu.ar/index.php/averma/article/view/1290
info:eu-repo/semantics/altIdentifier/issn/2314-1433
info:eu-repo/semantics/altIdentifier/issn/2796-8111
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.format.none.fl_str_mv application/pdf
39-48
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616229269012480
score 13.070432