ESTIMATIVA DA FRAÇÃO DIFUSA DA IRRADIAÇÃO GLOBAL COM TÉCNICAS DE APRENDIZAGEM DE MÁQUINAS.

Foram desenvolvidos modelos de estimativa da fração difusa (Kd) em função da fração transmitida da irradiação global (Kt) na partição horária sendo: Modelo Estatístico (ME); Redes Neurais Artificias com Função de Base Radial (RBF); e Sistema Adaptativo de Inferência Neuro Fuzzy (ANFIS). O modelo estatístico utiliza como referência somente Kt e as técnicas uma combinação de seis (06) variáveis astronômicas, geográficas e meteorológicas. Os modelos utilizam uma base de sete anos (2000-2006) de medidas realizadas na Estação de Radiometria Solar de Botucatu/SP na partição horária, sendo parte para treinamento e outra para validação dividida em Ano típico (AT) e atípico (AAT). A equação do modelo estatístico gerada por regressão polinomial de 4ª ordem, apresenta coeficiente de determinação R2 = 0.80 e na comparação dos valores medidos e estimados na validação, um coeficiente de correlação para ano típico (AT) rAT=0.90 e para o ano atípico (AAT) de rAAT=0.89, erro quadrático médio rRMSEAT = 30.55% e rRMSEAAT = 27.97%. No desempenho das técnicas RBF e ANFIS, os modelos mostraram-se satisfatórios a partir da segunda combinação sendo para RBF2 um coeficiente rAT=0.91 e rAAT=0.90 e erro de rRMSEAT = 29.63% e rRMSEAAT = 26.93% e para ANFIS2 um rAT=0.93 e rAAT=0.93 com erro rRMSEAT = 25.13% e rRMSEAAT = 22.76%. Para sexta combinação, a rede RBF6 um coeficiente de rAT=0.92 e rAAT=0.92 e erro de rRMSEAT = 26.48% e rRMSEAAT = 24.69% e para ANFIS6 um coeficiente rAT=0.95 e rAAT=0.94 e erro de rRMSEAT = 22.63% e rRMSEAAT = 21.19%. Os indicadores mostram que as técnicas de aprendizagem de máquinas comparadas com modelo estatístico apresentaram um desempenho melhor com redução nos indicadores na ordem de 16% para rede RBF6 e 34% para rede ANFIS6 do erro quadrático médio para duas bases de validação (AT e AAT) em relação ao modelo ME.   

[1]  B. E. Psiloglou,et al.  Meteorological Radiation Model (MRM v6.1): Improvements in diffuse radiation estimates and a new approach for implementation of cloud products , 2017 .

[2]  A. T. Siddiqui,et al.  Generalized models for estimation of diffuse solar radiation based on clearness index and sunshine duration in India: Applicability under different climatic zones , 2017 .

[3]  Laurel Saito,et al.  ANFIS, SVM and ANN soft-computing techniques to estimate daily global solar radiation in a warm sub-humid environment , 2017 .

[4]  Kasra Mohammadi,et al.  Prediction of horizontal diffuse solar radiation using clearness index based empirical models; A case study , 2016 .

[5]  J. Soares,et al.  MEO shadowring method for measuring diffuse solar irradiance: Corrections based on sky cover , 2016 .

[6]  Silvia Helena Modenese Gorla da Silva,et al.  Assessment of ANN and SVM models for estimating normal direct irradiation (Hb) , 2016 .

[7]  Soteris A. Kalogirou,et al.  Quality control of solar shortwave and terrestrial longwave radiation for surface radiation measurements at two sites in Cyprus , 2016 .

[8]  Rasool Azimi,et al.  A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting , 2016 .

[9]  Por Lip Yee,et al.  Estimating the diffuse solar radiation using a coupled support vector machine–wavelet transform model , 2016 .

[10]  E. Paulescu,et al.  Regression models for hourly diffuse solar radiation , 2016 .

[11]  Rajesh Kumar,et al.  Comparison of regression and artificial neural network models for estimation of global solar radiations , 2015 .

[12]  T. Khatib,et al.  A Novel Approach for Solar Radiation Prediction Using Artificial Neural Networks , 2015 .

[13]  M. Bargach,et al.  Prediction of hourly and daily diffuse solar fraction in the city of Fez (Morocco) , 2015, Theoretical and Applied Climatology.

[14]  Chigueru Tiba,et al.  On modeling global solar irradiation using air temperature for Alagoas State, Northeastern Brazil , 2014 .

[15]  Keh-Chin Chang,et al.  Modeling the hourly solar diffuse fraction in Taiwan , 2014 .

[16]  J. F. Escobedo,et al.  ESTIMATIVA DA IRRADIAÇÃO SOLAR DIRETA NA INCIDÊNCIA NORMAL (Kb) EM FUNÇÃO DA TRANSMISSIVIDADE ATMOSFÉRICA (Kt) E RAZÃO DE INSOLAÇÃO (n/N) , 2013 .

[17]  Mauro Gamberi,et al.  Multi-location model for the estimation of the horizontal daily diffuse fraction of solar radiation in Europe , 2013 .

[18]  Érico Tadao Teramoto,et al.  Análise da frequência anual das condições de céu em Botucatu, São Paulo , 2012 .

[19]  Paul Gravila,et al.  Functional fuzzy approach for forecasting daily global solar irradiation , 2012 .

[20]  Claudia Furlan,et al.  The role of clouds in improving the regression model for hourly values of diffuse solar radiation , 2012 .

[21]  A. Ghanbarzadeh,et al.  The potential of different artificial neural network (ANN) techniques in daily global solar radiation modeling based on meteorological data , 2010 .

[22]  J. A. Ruiz-Arias,et al.  Proposal of a regressive model for the hourly diffuse solar radiation under all sky conditions , 2010 .

[23]  S. C. Kaushik,et al.  Assessment of diffuse solar energy under general sky condition using artificial neural network , 2009 .

[24]  Yingni Jiang,et al.  Prediction of monthly mean daily diffuse solar radiation using artificial neural networks and comparison with other empirical models , 2008 .

[25]  Hamdy K. Elminir,et al.  Prediction of hourly and daily diffuse fraction using neural network, as compared to linear regression models , 2007 .

[26]  V. D. Assimakopoulos,et al.  Comparative study of various correlations in estimating hourly diffuse fraction of global solar radiation , 2006 .

[27]  Tariq Muneer,et al.  Quality control of solar radiation data: Present status and proposed new approaches , 2005 .

[28]  Marija Zlata Boznar,et al.  Modeling hourly diffuse solar-radiation in the city of São Paulo using a neural-network technique , 2004 .

[29]  Tariq Muneer,et al.  Assessment of four shadow band correction models using beam normal irradiance data from the United Kingdom and Israel , 2004 .

[30]  Mark Luther,et al.  Modelling the diffuse fraction of global solar radiation on a horizontal surface , 2001 .

[31]  Shailesh Kumar,et al.  Hourly diffuse fraction correlation at a tropical location , 1994 .

[32]  R. J. Stone.  Improved statistical procedure for the evaluation of solar radiation estimation models , 1993 .

[33]  J. Porter,et al.  A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand , 1991 .

[34]  Benjamin Y. H. Liu,et al.  The interrelationship and characteristic distribution of direct, diffuse and total solar radiation , 1960 .

[35]  Angelika Bayer,et al.  Solar Engineering Of Thermal Processes , 2016 .

[36]  Ozgur Kisi,et al.  Modeling solar radiation of Mediterranean region in Turkey by using fuzzy genetic approach , 2014 .

[37]  Robert LIN,et al.  NOTE ON FUZZY SETS , 2014 .

[38]  Alexandre Bryan Heinemann,et al.  Sensitivity of APSIM/ORYZA model due to estimation errors in solar radiation , 2012 .

[39]  Jacyra Soares,et al.  Ratios of UV, PAR and NIR components to global solar radiation measured at Botucatu site in Brazil , 2011 .

[40]  M. Katz.  Validation of models , 2006 .

[41]  Amauri Pereira de Oliveira,et al.  Correlation models of diffuse solar-radiation applied to the city of São Paulo, Brazil , 2002 .

[42]  H. Kambezidis,et al.  DIFFUSE SOLAR IRRADIATION MODEL EVALUATION IN THE NORTH MEDITERRANEAN BELT AREA , 2001 .

[43]  Michio Sugeno,et al.  Fuzzy identification of systems and its applications to modeling and control , 1985, IEEE Transactions on Systems, Man, and Cybernetics.

[44]  M. Iqbal.  An introduction to solar radiation , 1983 .

[45]  A. Rabl,et al.  The average distribution of solar radiation-correlations between diffuse and hemispherical and between daily and hourly insolation values , 1979 .

[46]  J. Orgill,et al.  Correlation equation for hourly diffuse radiation on a horizontal surface , 1976 .