Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/49667 |
Resumo: | 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. |
id |
UFPE_c14427bf088909fcca51ddc48f0838b7 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/49667 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
MIRANDA, Diego Rodrigues dehttp://lattes.cnpq.br/9836949224454308http://lattes.cnpq.br/1679243744052619http://lattes.cnpq.br/1528235729017901VILELA, Olga de CastroCOSTA, Alexandre Carlos Araújo da2023-04-13T17:20:04Z2023-04-13T17:20:04Z2023-02-28MIRANDA, Diego Rodrigues de. Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar. 2023. Dissertação (Mestrado em Tecnologias Energéticas e Nucleares) – Universidade Federal de Pernambuco, Recife, 2023.https://repositorio.ufpe.br/handle/123456789/49667A 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.CAPESEstimating the solar radiation accurately during many years in different regions is necessary to develop photovoltaic and heliothermic solar power plant projects. In this work, statistical models are employed using ground measurements to correct long- term time series of radiation, a procedure known as site adaptation. These statistical models are applied globally, locally and in combination to make the site adaptation of global horizontal irradiance (GHI) and direct normal irradiance (DNI) in 15 minutes temporal resolution. Four meteorological stations located in Argentina (El Rosal e Salta), Brazil (Petrolina) and Namib (Gobabeb) are used to test the models. The variables used in the models are from Copernicus Atmosphere Monitoring Service (CAMS) and European Centre for Medium-Range Weather Forecasts (ECMWF). The global models are applied to all-time series, while in the local ones, the regression variables are split into clusters according to a classification based on the sky conditions. Multilinear regression and multilayer perceptron neural networks are the two main regression algorithms used in this work. The subsets of local modes are defined using a non-supervised classification to create a vector of classes made by the k-means algorithm. Then a supervised classification is applied using the random forest algorithm, where the variables will learn the classes of the non-supervised step. The data are split into three sets to apply and evaluate the models: calibration, validation and test sets. In the validation set, the combination models are trained using all results from global and local models whose parameters were defined in the calibration set. This work also evaluates the robustness of the models for 62 different divisions in the three sets mentioned. Some of these divisions maintain the chronological sequence of time series while others divisions shuffled the 15 minutes timestamps before the split into the three sets. The results of GHI site adaptation in El Rosal and Salta stations show better accuracy for the combination and local models than global models and CAMS, while in Petrolina and Gobabeb stations, the results of all models are similar to CAMS. The results were probably better in El Rosal and Salta stations because these stations are located at the edge of the METEOSAT satellite view, which can induce errors in CAMS estimations. The results of DNI site adaptation in the Petrolina and Gobabeb stations show that the local and combination models achieve better accuracy than the global models and CAMS. The overall results also suggest that the models applied with the data divided by shuffling the 15 minutes timestamps present better statistical results than the divisions that maintain the chronological sequence of time series.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Tecnologias Energeticas e NuclearUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessTecnologias energéticas e nuclearesSite adaptationClassificação não supervisionadaClassificação supervisionadaRandomização dos dadosProcedimento de classificação e regressão aplicado ao site adaptation da radiação solarinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETEXTDISSERTAÇÃO Diego Rodrigues de Miranda.pdf.txtDISSERTAÇÃO Diego Rodrigues de Miranda.pdf.txtExtracted texttext/plain204173https://repositorio.ufpe.br/bitstream/123456789/49667/4/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf.txt045271cf5a3371890eebbd4cbd700097MD54THUMBNAILDISSERTAÇÃO Diego Rodrigues de Miranda.pdf.jpgDISSERTAÇÃO Diego Rodrigues de Miranda.pdf.jpgGenerated Thumbnailimage/jpeg1258https://repositorio.ufpe.br/bitstream/123456789/49667/5/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf.jpg30129cae264dda4e081dd48e08a7996aMD55LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/49667/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53ORIGINALDISSERTAÇÃO Diego Rodrigues de Miranda.pdfDISSERTAÇÃO Diego Rodrigues de Miranda.pdfapplication/pdf8945507https://repositorio.ufpe.br/bitstream/123456789/49667/1/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf38737aad2dd9c7fa9b9ba2bfa851d199MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/49667/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52123456789/496672023-04-14 02:17:38.086oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-04-14T05:17:38Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
title |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
spellingShingle |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar MIRANDA, Diego Rodrigues de Tecnologias energéticas e nucleares Site adaptation Classificação não supervisionada Classificação supervisionada Randomização dos dados |
title_short |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
title_full |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
title_fullStr |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
title_full_unstemmed |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
title_sort |
Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar |
author |
MIRANDA, Diego Rodrigues de |
author_facet |
MIRANDA, Diego Rodrigues de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9836949224454308 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1679243744052619 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1528235729017901 |
dc.contributor.author.fl_str_mv |
MIRANDA, Diego Rodrigues de |
dc.contributor.advisor1.fl_str_mv |
VILELA, Olga de Castro |
dc.contributor.advisor-co1.fl_str_mv |
COSTA, Alexandre Carlos Araújo da |
contributor_str_mv |
VILELA, Olga de Castro COSTA, Alexandre Carlos Araújo da |
dc.subject.por.fl_str_mv |
Tecnologias energéticas e nucleares Site adaptation Classificação não supervisionada Classificação supervisionada Randomização dos dados |
topic |
Tecnologias energéticas e nucleares Site adaptation Classificação não supervisionada Classificação supervisionada Randomização dos dados |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-04-13T17:20:04Z |
dc.date.available.fl_str_mv |
2023-04-13T17:20:04Z |
dc.date.issued.fl_str_mv |
2023-02-28 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MIRANDA, Diego Rodrigues de. Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar. 2023. Dissertação (Mestrado em Tecnologias Energéticas e Nucleares) – Universidade Federal de Pernambuco, Recife, 2023. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/49667 |
identifier_str_mv |
MIRANDA, Diego Rodrigues de. Procedimento de classificação e regressão aplicado ao site adaptation da radiação solar. 2023. Dissertação (Mestrado em Tecnologias Energéticas e Nucleares) – Universidade Federal de Pernambuco, Recife, 2023. |
url |
https://repositorio.ufpe.br/handle/123456789/49667 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Tecnologias Energeticas e Nuclear |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/49667/4/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/49667/5/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/49667/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/49667/1/DISSERTA%c3%87%c3%83O%20Diego%20Rodrigues%20de%20Miranda.pdf https://repositorio.ufpe.br/bitstream/123456789/49667/2/license_rdf |
bitstream.checksum.fl_str_mv |
045271cf5a3371890eebbd4cbd700097 30129cae264dda4e081dd48e08a7996a 5e89a1613ddc8510c6576f4b23a78973 38737aad2dd9c7fa9b9ba2bfa851d199 e39d27027a6cc9cb039ad269a5db8e34 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310858997497856 |