Return to search

Estimativa da fração difusa da irradiação solar global por meio de técnicas de aprendizado de máquina /

Orientador: João Francisco Escobedo / Banca: Alexandre Dal Pai / Banca: José Alfredo Covolan Ulson / Banca: Renato Correia de Barros / Banca: Rodrigo Henrique Cunha Palacios / Resumo: Neste trabalho são desenvolvidos modelos de estimativa para fração difusa da radiação global (Kd) nas partições horárias e diária: o Modelo Estatístico (ME) clássico e com Técnicas de Aprendizado de Máquina (TAM). Estas técnicas são do tipo Redes Neurais Artificiais (RNA), Sistema Adaptativo de Inferência Neuro Fuzzy (ANFIS) e Máquina de Vetores de Suporte (SVM). O modelo ME utiliza como referência somente a transmissividade atmosférica (KT) e as TAM um conjunto de combinações de oito variáveis astronômicas, geográficas e meteorológicas. Na elaboração dos modelos ME e TAM foram utilizadas uma base de dados de sete anos (2000-2006) de medidas obtidas na Estação Meteorológica e de Radiometria Solar de Botucatu/SP. Para validação dos modelos ME e TAM foram elaboradas, a partir das medidas obtidas, duas bases anuais denominadas de Ano Típico (AT) e Ano Atípico (AAT). No Capítulo 1 foram desenvolvidos os modelos na partição horária com ME, com as RNA do tipo: Percepton Multicamadas (MLP), Função de Base Radial (RBF) e Regressão Generalizada (GRNN), e a ANFIS. No Capítulo 2 foram desenvolvidos os modelos na partição diária com o ME, a rede MLP, que apresentou os melhores resultados do Capítulo 1 e a SVM. Os indicadores estatísticos mostram que entre as TAM, o melhor desempenho nas partições horária e diária foi obtido com a técnica MLP, com desempenho (RMSE) superior ao modelo ME em aproximadamente 56% na partição horária e 20% na partição diária, nas duas bases de validação na est... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In this work, we develop models for the estimation of the fraction of diffuse solar irradiance (Kd) in the hourly and daily partitions: the Statistical Model (SM) and Machine Learning Techniques (MLT) of the type Artificial Neural Networks (ANN), Adaptive Inference System Neuro Fuzzy (ANFIS) and Support Vector Machine (SVM). The statistical model (MS) uses as reference only the transmitted fraction of global irradiation (KT) and (MLT) a set of combinations of eight astronomical and meteorological variables. The models use a base of seven years (2000-2006) of measurements obtained at the Solar Radiometry Station of Botucatu/SP, being part to elaborate the (SM) and training of the (MLT) and another to validate the models reorganized in two bases known as the Typical Year (TY) and the Atypical Year (AY). In Chapter 1 the models are developed in the hourly partition with (MS), the (ANN) with Multilayer Percepton (MLT), Radial Base Function (RBF) and Generalized Regression (GRNN) and (ANFIS) models. Chapter 2 models are developed in the daily partition with the (SM) and (ANN/MLP) and the technique (SVM). The statistical indicators show that the performance of the (MLT) in both hourly and daily partitions was obtained with the performance (RMSE) in relation to the model (SM) of approximately 56% in the hourly partition and 20% in the daily partition in the validation (TY) and (AY) in the estimation of (Kd). These results indicate that when entering astronomical and meteorological variables in model, the precision between the estimated and measured values, ensure a better performance compared to the statistical model (SM), which makes the techniques an alternative for estimating the fraction of diffuse solar irradiance (Kd) with the conditions used. / Doutor

Identiferoai:union.ndltd.org:UNESP/oai:www.athena.biblioteca.unesp.br:UEP01-000912141
Date January 2018
CreatorsBassetto, Edson Luis, 1966.
ContributorsUniversidade Estadual Paulista "Júlio de Mesquita Filho" Faculdade de Ciências Agronômicas (Campus de Botucatu).
PublisherBotucatu,
Source SetsUniversidade Estadual Paulista
LanguagePortuguese
Detected LanguagePortuguese
Typetext
Format126 p :
RelationSistema requerido: Adobe Acrobat Reader

Page generated in 0.0016 seconds