Sistema de estimação de irradiação solar utilizando grandezas meteorológicas e redes neurais profundas

Autores

Palavras-chave:

aprendizado profundo, irradiação solar, redes neurais artificiais, regressão

Resumo

A produção de energia solar fundamenta-se principalmente na natureza física da radiação solar e a quantização da irradiação solar são importantes em cenários como mercados de geração e fornecimento de energia solar. No entanto, a irradiação solar não é facilmente mensurável e acessível a sensoriamento, principalmente devido a questões de custo, manutenção e requisitos técnicos de calibração. Portanto, este trabalho propõe um modelo de rede neural profunda como regressor para estimar a irradiação solar global dentro do cenário brasileiro. Para isso, foram utilizados dados do Instituto Nacional de Meteorologia do Brasil (INMET) de 304 estações meteorológicas entre 2019 e 2022, abrangendo mais de 19 milhões de dados meteorológicos horários. Os resultados apresentam a previsão dos valores medidos de seis grandezas: hora, temperatura, umidade relativa, velocidade do vento, precipitação e pressão atmosférica. Além disso, o modelo de estimação da irradiação foi validado com base no desenvolvimento e validação de uma estação meteorológica responsável por coletar dados meteorológicos locais da cidade de Cornélio Procópio, Paraná.

Downloads

Não há dados estatísticos.

Biografia do Autor

Kaique Tavares, Universidade Tecnológica Federal do Paraná (UTFPR), Cornélio Procópio, PR, Brasil

Graduando em Engenharia de Controle e Automação na Universidade Tecnológica Federal do Paraná (UTFPR), campus Cornélio Procópio e aluno de iniciação científica com bolsa pela fundação Araucária - PR. Tem experiência em Auxiliar Mecânico Automotivo (SENAI-SP) e Robótica Educacional (SESI-SP). Tem como áreas de interesse sistemas microcontrolados, sistemas embarcados e sistema supervisório.

Augusto Matheus dos Santos Alonso, Universidade de São Paulo (USP), São Carlos, SP, Brasil

Possui duplo diploma de doutorado (Cotutela) em Engenharia Elétrica pela UNESP/FEB e pela Norwegian University of Science and Technology (NTNU)/Noruega. É mestre em Engenharia Elétrica pela UNESP/FEB (2018) e cursou graduação sanduíche em Engenharia de Controle e Automação pela Universidade Federal de Ouro Preto e University of New Mexico - EUA, através do Programa Ciência sem Fronteiras. Atualmente é pesquisador de pós-doutorado no LabREI/LCEE da Universidade Estadual de Campinas (UNICAMP)/FEEC. Em 2019 recebeu o prêmio de melhor dissertação de mestrado na área de eletrônica de potência da SOBRAEP. Atua nas áreas de geração distribuída de energia, qualidade da energia, controle digital de conversores eletrônicos de potência, controle cooperativo e multifuncional de conversores, microrredes e redes inteligentes de energia.

Wesley Angelino de Souza, Universidade Tecnológica Federal do Paraná (UTFPR), Cornélio Procópio, PR, Brasil

Professor adjunto na Universidade Tecnológica Federal do Paraná (UTFPR), campus Cornélio Procópio. Doutor em Engenharia Elétrica pela Universidade Estadual de Campinas (UNICAMP). Mestre em Engenharia Elétrica pela Universidade Estadual Paulista (UNESP). É graduado em Bacharelado em Ciência da Computação pela UNESP. Foi pesquisador de Pós-Doutorado na UNICAMP, posteriormente na Universidade Federal de São Carlos (UFSCar) e na UNESP. Foi pesquisador visitante na Universidade de Pádua (Università Degli Studi di Padova - UniPD). Tem ênfase em Sistemas Embarcados, Medidores elétricos, Medidores inteligentes, Medidores cognitivos, Inteligência Artificial, Aprendizado de Máquina, Técnicas de Reconhecimento de Padrões e Desenvolvimento de Sistemas WEB. Membro do IEEE e da SBC.

Referências

ADEDOYIN, F. F.; BEKUN, F. V.; ALOLA, A. A. Growth impact of transition from non-renewable to renewable energy in the EU: the role of research and development expenditure. Renewable Energy, Elsevier, v. 159, 2020.

ANTONOPOULOS, V. Z. et al. Solar radiation estimation methods using ANN and empirical models. Computers and Electronics in Agriculture, v. 160, p. 160–167, 2019.

BELAID, A.; MELLIT, A. Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate. Energy Conversion and Management, vol. 118, pp. 105–118, 2016.

BERNARDINO, L. G. R.; NASCIMENTO, C. F.; TAVARES NETO, R. F.; SOUZA, W. A.; MARAFÃO, F. P., Neural-network-based approach applied to harmonic component estimation in microgrids. Brazilian Power Electronics Conference (COBEP), 2021.

BP. Statistical review of world energy globally consistent data on world energy markets and authoritative publications in the field of energy. BP Energy Outlook, v. 2021, n. 70, 2021.

BUENO, P. H., Modelagem analítica e numérica semiempírica de células fotovoltaicas, Dissertação de Mestrado, UFMG, 2016.

DIXON, M. F.; HALPERIN, I.; BILOKON, P. Machine learning in Finance. Springer, 2020. v. 1170.

EPE . Inserção da geração fotovoltaica distribuída no Brasil–condicionantes e impactos. Rio de Janeiro, Relatório Técnico, 2014.

GASPARIN, Fabiano Perin. Desenvolvimento de um traçador de curvas características de Módulos Fotovoltaicos, Dissertação de Mestrado, UFRGS, 2009.

HOLMSTROM, M.; LIU, D.; VO, C.. Machine learning applied to weather forecasting. Meteorology. Applied, v. 10, p. 1–5, 2016.

KIM, K. G. Book review: Deep learning. HIR, vol. 22, no. 4, pp. 351–354, 2016.

LI, H. et al. Estimating daily global solar radiation by day of year in China. Applied Energy, Elsevier, v. 87, n. 10, p. 3011–3017, 2010.

LIU, X. et al. Evaluation of temperature-based global solar radiation models in China. Agricultural and forest meteorology, Elsevier, v. 149, n. 9, p. 1433–1446, 2009.

MCCULLOCH, W.S., PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133, 1943.

MEHDIZADEH, S.; BEHMANESH, J.; KHALILI K., Comparison of artificial intelligence methods and empirical equations to estimate daily solar radiation. Journal of Atmospheric and Solar-Terrestrial Physics, vol. 146, pp. 215–227, 2016.

NOTTON, G. et al. Some Applications of ANN to Solar Radiation Estimation and Forecasting for Energy Applications. Applied Sciences, v. 9, n. 1, 2019.

OLIVEIRA, J. M.; SANTOS, D. D. S.; SILVA R. M., Predição da radiação solar global usando modelos de redes neurais artificiais. Revista Mundi Engenharia, Tecnologia e Gestão, vol. 4, no. 5, 2019.

RUMELHART, D., HINTON, G.; WILLIAMS, R. Learning representations by back-propagating errors. Nature 323, 533–536, 1986.

SILVA, A. W. B. et al., Methodology based on artificial neural networks for hourly forecasting of pv plants generation. IEEE Latin America Transactions, vol. 20, no. 4, pp. 659–668, 2022.

SOUZA, W. A et al. Selection of features from power theories to compose NILM datasets. Advanced Engineering Informatics, Elsevier, v. 52, p. 101556, 2022.

WANG, K.; QI, X.; LIU, H. Photovoltaic power forecasting based lstm-convolutional network. Energy, v. 189, p. 116225, 2019. ISSN 0360-5442.

Downloads

Publicado

2023-07-07

Como Citar

Tavares, K., Matheus dos Santos Alonso, A., & Angelino de Souza, W. (2023). Sistema de estimação de irradiação solar utilizando grandezas meteorológicas e redes neurais profundas. Peer Review, 5(14), 225–238. Recuperado de http://peerw.org/index.php/journals/article/view/711

Edição

v. 5 n. 14 (2023)

Seção

Articles