Modelos de previsão da energia solar utilizando Python
DOI:
https://doi.org/10.33448/rsd-v13i8.46500Palavras-chave:
Modelagem; NASA; Inteligência artificial; Máquina de vetor de suporte; Redes neurais artificiais.Resumo
O objetivo principal deste estudo é fornecer uma estrutura clara e sistemática para a coleta de dados, preparação, modelagem, avaliação e análise dos resultados obtidos. Este estudo explora o potencial de modelos de inteligência artificial (IA) para prever a radiação solar em Belém-PA, visando a otimização da geração de energia solar na região. Através da análise de dados do satélite NASA POWER (2024), diversos modelos de regressão foram implementados e avaliados, incluindo Random Forest, Máquina de Vetor de Suporte (SVM), Rede Neural Artificial (RNA), Árvore de Reforço de Gradiente (GBT), Spline de Regressão Adaptativa Multivariada (MARS) e Classificação e Árvore de Regressão (CART). Os resultados demonstram que o Random Forest se destaca em termos de precisão média, enquanto MARS e GBT apresentam maior robustez na generalização dos dados. A validação cruzada e a análise de métricas como RMSE e MBE comprovam a importância de avaliar a confiabilidade dos modelos. No entanto, o desempenho anômalo do CART, com RMSE de 0.0 em ambas as avaliações, exige investigação para verificar a existência de overfitting. Em suma, este estudo evidencia o potencial de modelos de IA para prever a radiação solar em Belém-PA, com o Random Forest, MARS e GBT se apresentando como modelos promissores para aplicações de previsão de energia solar. Ressalta-se a necessidade de validação cruzada mais abrangente e investigação do desempenho do CART para garantir a robustez e confiabilidade dos resultados, impulsionando a otimização da geração de energia solar na região.
Referências
Alkahtani, H., Aldhyani, T. H. H., & Alsubari, S. N. (2023). Application of Artificial Intelligence Model Solar Radiation Prediction for Renewable Energy Systems. Sustainability, 15(8), 6973. https://doi.org/10.3390/su15086973
Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239. https://doi.org/10.1016/j.energy.2020.117239
Alizamir, M., Shiri, J., Fard, A. F., Kim, S., Gorgij, A. D., Heddam, S., & Singh, V. P. (2023). Improving the accuracy of daily solar radiation prediction by climatic data using an efficient hybrid deep learning model: Long short-term memory (LSTM) network coupled with wavelet transform. Engineering Applications of Artificial Intelligence, 123, 106199. https://doi.org/10.1016/j.engappai.2023.106199
Chen, Y., Bai, M., Zhang, Y., Liu, J., & Yu, D. (2023). Proactively selection of input variables based on information gain factors for deep learning models in short-term solar irradiance forecasting. Energy, 284, 129261. https://doi.org/10.1016/j.energy.2023.129261
Fan, J., Wang, X., Wu, L., Zhou, H., Zhang, F., Yu, X., Lu, X., & Xiang, Y. (2018). Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China. Energy Conversion and Management, 164, 102–111. https://doi.org/10.1016/j.enconman.2018.02.087
Feng, Y., Cui, N., Zhang, Q., Zhao, L., & Gong, D. (2017). Comparison of artificial intelligence and empirical models for estimation of daily diffuse solar radiation in North China Plain. 42(21), 14418–14428. https://doi.org/10.1016/j.ijhydene.2017.04.084
Gil, A. A. C. (2010). Como elaborar projetos de pesquisa. Éditeur: São Paulo: Atlas.
Gürel, A. E., Ağbulut, Ü., Bakır, H., Ergün, A., & Yıldız, G. (2023). A state of art review on estimation of solar radiation with various models. Heliyon, e13167. https://doi.org/10.1016/j.heliyon.2023.e13167
Hedar, A.-R., Almaraashi, M., Abdel-Hakim, A. E., & Abdulrahim, M. (2021). Hybrid Machine Learning for Solar Radiation Prediction in Reduced Feature Spaces. Energies, 14(23), 7970. https://doi.org/10.3390/en14237970
Huang, J., & Liu, H. (2021). A hybrid decomposition-boosting model for short-term multi-step solar radiation forecasting with NARX neural network. Journal of Central South University, 28(2), 507–526. https://doi.org/10.1007/s11771-021-4618-9
Köche, J. C. (1997) Fundamentos de metodologia científica: teoria da ciência e iniciação à pesquisa. Vozes
Khosravi, A., Koury, R. N. N., Machado, L., & Pabon, J. J. G. (2018 a). Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms. Journal of Cleaner Production, 176, 63–75. https://doi.org/10.1016/j.jclepro.2017.12.065
Khosravi, A., Nunes, R. O., Assad, M. E. H., & Machado, L. (2018 b). Comparison of artificial intelligence methods in estimation of daily global solar radiation. Journal of Cleaner Production, 194, 342–358. https://doi.org/10.1016/j.jclepro.2018.05.147
Khosravi, A., Syri, S., Pabon, J. J. G., Sandoval, O. R., Caetano, B. C., & Barrientos, M. H. (2019). Energy modeling of a solar dish/Stirling by artificial intelligence approach. Energy Conversion and Management, 199, 112021. https://doi.org/10.1016/j.enconman.2019.112021
Kosovic, I. N., Mastelic, T., & Ivankovic, D. (2020). Using Artificial Intelligence on environmental data from Internet of Things for estimating solar radiation: Comprehensive analysis. Journal of Cleaner Production, 266, 121489. https://doi.org/10.1016/j.jclepro.2020.121489
NASA. (2024). NASA POWER | Prediction Of Worldwide Energy Resources. Nasa.gov. https://power.larc.nasa.gov/
Olatomiwa, L., Mekhilef, S., Shamshirband, S., Mohammadi, K., Petković, D., & Sudheer, C. (2015). A support vector machine–firefly algorithm-based model for global solar radiation prediction. Solar Energy, 115, 632–644. https://doi.org/10.1016/j.solener.2015.03.015
Rajasundrapandiyanleebanon, T., Kumaresan, K., Murugan, S., Subathra, M. S. P., & Sivakumar, M. (2023). Solar Energy Forecasting Using Machine Learning and Deep Learning Techniques. Archives of Computational Methods in Engineering. https://doi.org/10.1007/s11831-023-09893-1
Seyyed Mohammad Mousavi, Elham Sadat Mostafavi, & Jiao, P. (2017). Next generation prediction model for daily solar radiation on horizontal surface using a hybrid neural network and simulated annealing method. Energy Conversion and Management, 153, 671–682. https://doi.org/10.1016/j.enconman.2017.09.040
Wang, H., Liu, Y., Zhou, B., Li, C., Cao, G., Voropai, N., & Barakhtenko, E. (2020). Taxonomy research of artificial intelligence for deterministic solar power forecasting. Energy Conversion and Management, 214, 112909. https://doi.org/10.1016/j.enconman.2020.112909
Yuzer, E. O., & Bozkurt, A. (2022). Deep learning model for regional solar radiation estimation using satellite images. Ain Shams Engineering Journal, 102057. https://doi.org/10.1016/j.asej.2022.102057
Zaim, S., El Ibrahimi, M., Arbaoui, A., Samaouali, A., Tlemcani, M., & Barhdadi, A. (2023). Using artificial intelligence for global solar radiation modeling from meteorological variables. Renewable Energy, 215, 118904. https://doi.org/10.1016/j.renene.2023.118904
Zhou, Y. (2022). Artificial intelligence in renewable systems for transformation towards intelligent buildings. Energy and AI, 10, 100182. https://doi.org/10.1016/j.egyai.2022.100182
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Camila Piacitelli Tieghi; Carlos Educardo Camargo Nogueira; Jair Antonio Cruz Siqueira; Carlos Roberto Souza Carmo; Luís Fernando Soares Zuin; Jorge Alvarez; Fernando de Lima Caneppele
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
