Modelos de estimativa da irradiação solar global mensal: Angstrom-Prescott e aprendizado de máquinas em Botucatu/SP/Brasil

• Autores: Prado da Silva, Maurício Bruno; Escobedo, João Francisco; Souza Marques, Adriano de; Rossi, Taiza Juliana; Santos, Cícero Manoel dos
• Año de publicación: 2017
• Idioma: portugués
• Tipo de recurso: artículo
• Materia: Ingeniería; Ciencias Agrarias; radiação solar; Angstrom-Prescott; inteligência artificial; solar radiation; artificial intelligence
• Institución: Universidad Nacional de La Plata

No presente trabalho é descrito o estudo comparativo, entre o métodos estatístico de Angstrom- Prescott (A-P)ᵐ e duas técnicas de Aprendizado de Máquina (AM) - Support Vector Machine (SVM)ᵐ e Artificial Neural Network (ANN)ᵐ, nas estimativa da irradiação solar global (H_G) mensal. A base de dados de H_G usada na modelagem foi medida no período de 1996 a 2011 em Botucatu/SP/Brasil. A equação (A-P)ᵐ obtida (H_G/H_O) =0,311+0,366*(n/N) com R²= 0,710 foi validada usando duas bases de dados: típica e atípica. Os indicativos estatísticos r e rRMSE, obtidos na comparação entre a estimativa e medida foram: r^t=r^a=0,980, rRMSE^t=3,9% e rRMSE^a=9,8%. As técnicas SVMᵐ e ANNᵐ foram treinadas em quatro combinações de entradas de variáveis meteorológicas, e validadas nas bases de dados típica e atípica. A comparação dos indicativos estatísticos mostra que: a técnica SVM possui melhor desempenho que o modelo (A-P) e a técnica ANN em estimar H_G. O modelo (A-P) possui melhor desempenho que a técnica ANN em estimar H_G.
In this paper we describe the comparative study between the Angstrom-Prescott (AP) model with two machine learning techniques [Support Vector Machine (SVM) and Artificial Neural Network (ANN)], in the estimation of monthly global solar irradiation (H_G). The H_G database used was measured in the period from 1996 to 2011 in Botucatu/SP/Brazil. The (A-P) model obtained (H_G/H_O) =0,311+0,366*(n/N), with R² =0.710 was validated using two databases: typical (t) and atypical (a). The statistical indicatives r, rRMSE, obtained in the comparison between the estimation and measurement were: r_t=r_a=0.980, rRMSE_t=3.9% and rRMSE_a=9.8%. The SVM and ANN techniques were trained in four combinations of inputs of meteorological variables and validated in the databases: typical and atypical. The comparison shows that: the SVM has better performance than the (A-P) model and the ANN in estimating H_G.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)