Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos

Autores
Santos, Cícero Manoel dos; Escobedo, João Francisco; Modenese Gorla da Silva, Silvia Helena; Rossi, Taiza Juliana; Prado da Silva, Maurício Bruno
Año de publicación
2015
Idioma
portugués
Tipo de recurso
artículo
Estado
versión publicada
Descripción
A irradiação direta na incidência normal (Hb) foi estimada utilizando Redes Neurais Artificiais (ANN2) para uma base de dados medida do período de 1996 a 2008 em Botucatu- Brasil, região com influência de queimadas agrícolas. A rede utilizada foi a Multilayer Perceptron (MLP), com o algoritmo de aprendizado backpropagation e termo momentum. A ANN2 foi comparada com um modelo estatístico de ajuste local (ME4) e dois modelos selecionados na literatura (ME5 e ME6). A variável de entrada foi o kt (transmissividade atmosférica da irradiação global). Os modelos foram avaliados por meio dos indicativos estatísticos: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) e d de Willmott. O desempenho de ANN2 é melhor que dos modelos estatísticos. A estimativa com ANN2 resultou: rRMSE=16,519% e d=0,980. O ME4 estimou com rRMSE=20,130% e d=0,971. Os ME5 e ME6 tiveram desempenho inferior ao ME4. O modelo ANN2 é recomendado como a primeira escolha para estimativa de Hb, seguido do modelo ME4.
The direct irradiation at normal incidence (Hb) was estimated using Artificial Neural Networks (ANN2) to a database from 1996 to 2008 in Botucatu-Brazil, region with influence of agricultural burning. The network used was the Multilayer Perceptron (MLP), with the backpropagation algorithm and momentum term. The ANN2 was compared with a statistical model of local adjustment (ME4) and two models selected in the literature (ME5 and ME6). The input variable was the kt (atmospheric transmissivity of global radiation). The models were evaluated by means of statistical indicatives: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) and d Willmott. The ANN2 performance is better than statistical models. The estimate with ANN2 resulted: rRMSE=16.519% and d=0.980. The ME4 estimated with rRMSE=20.130% and d=0.971. The ME5 and ME6 had underperformed ME4. The ANN2 model is recommended as the first choice to estimate Hb, followed by ME4 model.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)
Materia
Ingeniería
Ciencias Agrarias
radiação solar
WEKA
mineração de dados
aprendizado de máquinas
modelagem
solar radiation
data mining
learning machines
modelling
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:10915/142990

id SEDICI_e83f17e7f38aeb1c28eb72c574772e4e
oai_identifier_str oai:sedici.unlp.edu.ar:10915/142990
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticosEstimation of beam at normal incidence using artificial neural network and comparing with statistical modelsSantos, Cícero Manoel dosEscobedo, João FranciscoModenese Gorla da Silva, Silvia HelenaRossi, Taiza JulianaPrado da Silva, Maurício BrunoIngenieríaCiencias Agrariasradiação solarWEKAmineração de dadosaprendizado de máquinasmodelagemsolar radiationdata mininglearning machinesmodellingA irradiação direta na incidência normal (H<sub>b</sub>) foi estimada utilizando Redes Neurais Artificiais (ANN2) para uma base de dados medida do período de 1996 a 2008 em Botucatu- Brasil, região com influência de queimadas agrícolas. A rede utilizada foi a Multilayer Perceptron (MLP), com o algoritmo de aprendizado backpropagation e termo momentum. A ANN2 foi comparada com um modelo estatístico de ajuste local (ME4) e dois modelos selecionados na literatura (ME5 e ME6). A variável de entrada foi o kt (transmissividade atmosférica da irradiação global). Os modelos foram avaliados por meio dos indicativos estatísticos: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) e d de Willmott. O desempenho de ANN2 é melhor que dos modelos estatísticos. A estimativa com ANN2 resultou: rRMSE=16,519% e d=0,980. O ME4 estimou com rRMSE=20,130% e d=0,971. Os ME5 e ME6 tiveram desempenho inferior ao ME4. O modelo ANN2 é recomendado como a primeira escolha para estimativa de H<sub>b</sub>, seguido do modelo ME4.The direct irradiation at normal incidence (H<sub>b</sub>) was estimated using Artificial Neural Networks (ANN2) to a database from 1996 to 2008 in Botucatu-Brazil, region with influence of agricultural burning. The network used was the Multilayer Perceptron (MLP), with the backpropagation algorithm and momentum term. The ANN2 was compared with a statistical model of local adjustment (ME4) and two models selected in the literature (ME5 and ME6). The input variable was the kt (atmospheric transmissivity of global radiation). The models were evaluated by means of statistical indicatives: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) and d Willmott. The ANN2 performance is better than statistical models. The estimate with ANN2 resulted: rRMSE=16.519% and d=0.980. The ME4 estimated with rRMSE=20.130% and d=0.971. The ME5 and ME6 had underperformed ME4. The ANN2 model is recommended as the first choice to estimate H<sub>b</sub>, followed by ME4 model.Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)2015info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf25-35http://sedici.unlp.edu.ar/handle/10915/142990info:eu-repo/semantics/altIdentifier/url/http://portalderevistas.unsa.edu.ar/index.php/averma/article/view/1844info: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:UNLP2025-09-29T11:35:04Zoai:sedici.unlp.edu.ar:10915/142990Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:35:04.779SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
Estimation of beam at normal incidence using artificial neural network and comparing with statistical models
title Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
spellingShingle Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
Santos, Cícero Manoel dos
Ingeniería
Ciencias Agrarias
radiação solar
WEKA
mineração de dados
aprendizado de máquinas
modelagem
solar radiation
data mining
learning machines
modelling
title_short Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
title_full Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
title_fullStr Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
title_full_unstemmed Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
title_sort Estimativa da irradiação direta na incidência normal usando redes neurais artificiais e comparação com modelos estatísticos
dc.creator.none.fl_str_mv Santos, Cícero Manoel dos
Escobedo, João Francisco
Modenese Gorla da Silva, Silvia Helena
Rossi, Taiza Juliana
Prado da Silva, Maurício Bruno
author Santos, Cícero Manoel dos
author_facet Santos, Cícero Manoel dos
Escobedo, João Francisco
Modenese Gorla da Silva, Silvia Helena
Rossi, Taiza Juliana
Prado da Silva, Maurício Bruno
author_role author
author2 Escobedo, João Francisco
Modenese Gorla da Silva, Silvia Helena
Rossi, Taiza Juliana
Prado da Silva, Maurício Bruno
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ingeniería
Ciencias Agrarias
radiação solar
WEKA
mineração de dados
aprendizado de máquinas
modelagem
solar radiation
data mining
learning machines
modelling
topic Ingeniería
Ciencias Agrarias
radiação solar
WEKA
mineração de dados
aprendizado de máquinas
modelagem
solar radiation
data mining
learning machines
modelling
dc.description.none.fl_txt_mv A irradiação direta na incidência normal (H<sub>b</sub>) foi estimada utilizando Redes Neurais Artificiais (ANN2) para uma base de dados medida do período de 1996 a 2008 em Botucatu- Brasil, região com influência de queimadas agrícolas. A rede utilizada foi a Multilayer Perceptron (MLP), com o algoritmo de aprendizado backpropagation e termo momentum. A ANN2 foi comparada com um modelo estatístico de ajuste local (ME4) e dois modelos selecionados na literatura (ME5 e ME6). A variável de entrada foi o kt (transmissividade atmosférica da irradiação global). Os modelos foram avaliados por meio dos indicativos estatísticos: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) e d de Willmott. O desempenho de ANN2 é melhor que dos modelos estatísticos. A estimativa com ANN2 resultou: rRMSE=16,519% e d=0,980. O ME4 estimou com rRMSE=20,130% e d=0,971. Os ME5 e ME6 tiveram desempenho inferior ao ME4. O modelo ANN2 é recomendado como a primeira escolha para estimativa de H<sub>b</sub>, seguido do modelo ME4.
The direct irradiation at normal incidence (H<sub>b</sub>) was estimated using Artificial Neural Networks (ANN2) to a database from 1996 to 2008 in Botucatu-Brazil, region with influence of agricultural burning. The network used was the Multilayer Perceptron (MLP), with the backpropagation algorithm and momentum term. The ANN2 was compared with a statistical model of local adjustment (ME4) and two models selected in the literature (ME5 and ME6). The input variable was the kt (atmospheric transmissivity of global radiation). The models were evaluated by means of statistical indicatives: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) and d Willmott. The ANN2 performance is better than statistical models. The estimate with ANN2 resulted: rRMSE=16.519% and d=0.980. The ME4 estimated with rRMSE=20.130% and d=0.971. The ME5 and ME6 had underperformed ME4. The ANN2 model is recommended as the first choice to estimate H<sub>b</sub>, followed by ME4 model.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)
description A irradiação direta na incidência normal (H<sub>b</sub>) foi estimada utilizando Redes Neurais Artificiais (ANN2) para uma base de dados medida do período de 1996 a 2008 em Botucatu- Brasil, região com influência de queimadas agrícolas. A rede utilizada foi a Multilayer Perceptron (MLP), com o algoritmo de aprendizado backpropagation e termo momentum. A ANN2 foi comparada com um modelo estatístico de ajuste local (ME4) e dois modelos selecionados na literatura (ME5 e ME6). A variável de entrada foi o kt (transmissividade atmosférica da irradiação global). Os modelos foram avaliados por meio dos indicativos estatísticos: Mean Bias Error (MBE,MJm⁻²), Relative Mean Bias Error (rMBE,%), Root Mean Square Error (RMSE,MJm⁻²), Relative Root Mean Square Error (rRMSE,%) e d de Willmott. O desempenho de ANN2 é melhor que dos modelos estatísticos. A estimativa com ANN2 resultou: rRMSE=16,519% e d=0,980. O ME4 estimou com rRMSE=20,130% e d=0,971. Os ME5 e ME6 tiveram desempenho inferior ao ME4. O modelo ANN2 é recomendado como a primeira escolha para estimativa de H<sub>b</sub>, seguido do modelo ME4.
publishDate 2015
dc.date.none.fl_str_mv 2015
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/10915/142990
url http://sedici.unlp.edu.ar/handle/10915/142990
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/1844
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
25-35
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_ 1844616229756600320
score 13.070432