Previsão de radiação solar com métodos de machine learning em séries temporais

• Ano de defesa: 2024
• Autor(a) principal: Capelari, Marlon
• Orientador(a): Maionchi, Daniela de Oliveira
• Banca de defesa: Maionchi, Daniela de Oliveira , Paulo, Sérgio Roberto de , Silva, Junior Gonçalves da , Reis, Saulo Davi Soares e
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Mato Grosso
• Programa de Pós-Graduação: Programa de Pós-Graduação em Física Ambiental
• Departamento: Instituto de Física (IF)
• País: Brasil
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA

Este trabalho tem como objetivo desenvolver modelos de rede neural, utilizando arquiteturas de machine learning, que realize a estimativa da radiação solar a fim de sanar a escassez de dados ocasionada, por exemplo, por panes em estações meteorológicas, erros de leitura (lacunas) e/ou carˆ encia de equipamentos de coleta em algumas localidades. Os modelos de redes neurais utilizados para efetuar a estimativa de radiação foram, especificamente, redes neurais do tipo Gated Recurrent Unit (GRU) e Multi-Layer Perceptron (MLP). Os conjuntos de dados de Sinop e Alta Floresta, utilizados neste trabalho, foram coletados de uma torre micrometeorológica e de uma estação meteorológica, respectivamente. Foram utilizadas como variáveis preditoras a temperatura, umidade relativa, precipitação e umidade do solo para Sinop, enquanto para Alta Floresta foram utilizadas a temperatura, umidade relativa, precipitação e velocidade do vento. O algoritmo foi desenvolvido em Python, empregando principalmente bibliotecas como pandas para manipulação dos dados, scikit-learn para normalização dos dados, Keras e Tensor Flow para construção das redes neurais, scipy para análise estat´ ıstica dos dados e avaliação dos modelos, entre outras. Para a validação do algoritmo foram utilizadas métricas como Erro Médio Absoluto (MAE), Erro Médio Quadrático (RMSE),Coeficiente de Determinação (R2), Índice de Willmott e as Correlações de Spearman e Pearson. Estas métricas foram aplicadas a diferentes intervalos temporais, tais como média horária, média diária e média mensal. O estudo demons trou que ambas as redes neurais apresentaram resultados satisfat´ orios. Para o conjunto de Sinop o coeficiente de determinação (R2) teve um mínimo de 88% para médias mensais, alcançando 95% de ajuste dos modelos para a rede GRU e MLP para médias horas. A correlação de Pearson apresentou um mínimo de 94% de ajuste para médias mensais e chegando a atingir próximo de 98% para médias horas. Para o conjunto de dados de Alta Floresta ambas as redes obtiveram bons resultados para intervalos horários alcançando coeficiente de determinação de 92% para MLP e 93%para GRU, porém devido aos erros de leitura apresentados a rede n˜ ao obteve bons resultados para médias diárias e mensais, identificando assim que a qualidade dos dados impacta substancialmente na qualidade e ajuste final do modelo.