Influência do preditor índice niño oceânico (oni) na previsão da irradiação global horizontal de Fortaleza em diferentes horizontes temporais utilizando machine learning

• Autor(a) principal: Brasil, Juliana Silva
• Data de Publicação: 2020
• Outros Autores: Marinho, Felipe Pinto, Oliveira, Rahysa Silva de, Loayza, David Mickely Jaramillo, Rocha, Paulo Alexandre Costa, Bueno, André Valente, Lima, Ricardo José Pontes, Silva, Maria Eugênia Vieira da
• Tipo de documento: Artigo de conferência
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal do Ceará (UFC)
• Texto Completo: http://www.repositorio.ufc.br/handle/riufc/57058
• topic: Aprendizagem de máquina; Irradiação global horizontal; El Niño

A introdução da energia solar na rede elétrica vem aumentando anualmente, inclusive no Ceará. Nessecontexto, são suscitadas questões relativas à complementaridade de abastecimento, uma vez que a fonte solar éintermitente e variável com o tempo. O planejamento adequado pode ser facilitado pela previsão da irradiaçãoutilizando métodos de aprendizagem de máquinas. O presente trabalho avaliou o desempenho de 3 modelos deprevisão da irradiação global horizontal - rede neural, Boosting e modelo de persistência – para a cidade deFortaleza, Ceará, em 8 horizontes temporais distintos, analisando a influência do El Niño e da La Niña, na forma dopreditor ONI, nessas previsões. Utilizou-se, além do ONI, informações meteorológicas (temperatura ambiente,umidade relativa, velocidade do ar, direção do vento e nível de precipitação), dados de irradiação e hora e data daaquisição da informação. O banco de dados foi separado em 2 grupos, um de treinamento e outro de teste, bem comofoi realizada uma seleção de parâmetros para a rede neural e para o Boosting. O cálculo da variabilidade dos dadosde irradiação classificou esse preditor como de fraca variabilidade. Os resultados apontaram que houve redução doRMSE quando o preditor referente à intensidade do El Niño, ONI, foi adicionado, exceto para o horizonte de 2 min, oque indica que a adição do preditor melhorou o desempenho dos modelos de previsão. Notou-se também que o nRMSEcresceu conforme o horizonte temporal aumentava. O Boosting apresentou os menores erros dentre os modelosconsiderados, seus valores de nRMSE são compatíveis com aqueles encontrados na literatura, chegando a ser menorpara um determinado horizonte de tempo. Para a rede neural, todavia, os nRMSE obtidos foram superiores aosencontrados em trabalhos já publicados.