Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar

• Ano de defesa: 2023
• Autor(a) principal: MIRANDA, Diego Rodrigues de
• Orientador(a): VILELA, Olga de Castro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Tecnologias Energeticas e Nuclear
• País: Brasil
• Palavras-chave em Português: Tecnologias energéticas e nucleares; Site adaptation; Classificação não supervisionada; Classificação supervisionada; Randomização dos dados
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/49667

A estimativa da radiação solar em diferentes localidades durante vários anos é importante para o desenvolvimento de projetos fotovoltaicos e heliotérmicos de grande porte. Nesse contexto, modelos de site adaptation são utilizados para ajustar séries de radiação provenientes de bases de dados históricas com medições em terra. Neste trabalho, modelos estatísticos são aplicados de forma global e local, bem como de forma combinada, para realização do site adaptation na resolução temporal de 15 minutos da irradiância global horizontal (GHI) e da irradiância direta normal (DNI). Quatro estações meteorológicas são utilizadas para testar o site adaptation: duas na Argentina (El Rosal e Salta), uma no Brasil (Petrolina) e uma na Namíbia (Gobabeb). As variáveis regressoras são formadas por dados provenientes da Copernicus Atmosphere Monitoring Service (CAMS) e do European Centre for Medium-Range Weather Forecasts (ECMWF). Nos modelos globais são aplicados modelos regressivos para toda a série temporal, enquanto nos modelos locais, as variáveis regressoras são divididas em grupos de acordo com uma classificação das condições do céu no local. A regressão linear múltipla e a rede neural do tipo multilayer perceptron são os modelos regressivos utilizados neste trabalho. Os subconjuntos locais das séries temporais são definidos através de uma classificação não supervisionada, sendo utilizado o algoritmo de k-means. Em seguida é feita uma classificação supervisionada com o modelo Random Forest, onde as variáveis regressoras devem aprender o comportamento das classes estabelecidas na etapa anterior. Os dados são divididos em três conjuntos para aplicação dos modelos: calibração, validação e teste. No conjunto de validação, são treinados os modelos regressivos de combinação, utilizando todos os modelos globais e locais cujos parâmetros foram inferidos no conjunto de calibração. Este trabalho também avalia a robustez dos modelos para 62 diferentes divisões dos dados nos três conjuntos citados. Algumas dessas divisões mantém a sequência cronológica das séries temporais enquanto outras fazem uma randomização dos timestamps de 15 minutos antes das divisões nos três conjuntos. Os resultados do site adaptation da GHI nas estações de El Rosal e Salta mostram que os modelos de combinação e locais apresentam maior acurácia que os modelos globais e da CAMS, enquanto nas estações de Petrolina e Gobabeb, os resultados de todos os modelos são similares aos da CAMS. É provável que os resultados tenham sido melhores nas estações de El Rosal e Salta, pois as mesmas estão localizadas na borda do campo de visão do satélite METEOSAT, o que pode induzir a mais erros nas séries de radiação estimadas pela CAMS. Já para o site adaptation da DNI nas estações de Petrolina e Gobabeb, os modelos de combinação e locais conseguem maior acurácia que os modelos globais e da CAMS. Os resultados também mostram que modelos aplicados com os dados divididos com a estratégia de randomização dos timestamps de 15 minutos apresentam melhores resultados estatísticos que as divisões que mantêm a sequência cronológica das séries temporais.