Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2019 |
| Tipo de documento: | Dissertação |
| Idioma: | por |
| Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRRJ |
| Texto Completo: | https://rima.ufrrj.br/jspui/handle/20.500.14407/14342 |
Resumo: | O presente estudo propõe o desenvolvimento e avaliação de uma metodologia para estimar a incidência de radiação solar no município de Seropédica, localizado no estado do Rio de Janeiro. O objetivo do trabalho é avaliar se o modelo de Redes Neurais Artificiais (RNAs) é apropriado para tal fim. Para tal foram obtidos dados horários correspondentes ao período de 01 de Maio de 2017 a 31 de Janeiro de 2019 do Instituto Nacional de Meteorologia (INMET) através da estação Ecologia Agrícola localizada na região de estudo. Primeiramente foi avaliada a necessidade de se utilizar todos os dados disponibilizados pela estação. Em seguida foram realizados experimentos variando o número de neurônios na camada escondida, treinando redes compostas por uma e duas camadas internas. Diferentes parâmetros estatísticos foram utilizados para avaliar o desempenho dos modelos (r, MAE, RMSE, D, R2, C e skill). Em cada etapa do trabalho, os modelos de RNAs foram comparados com modelos de Regressão Linear Múltipla (RLM) a fim de verificar qual método seria satisfatório. Como resultado, foi possível analisar que não há necessidade de se utilizar todas as variáveis disponibilizadas pela estação Ecologia Agrícola. Analisando a média das 50 simulações realizadas, foi possível constatar que a RNA com a arquitetura de uma camada escondida apresentou resultados mais apurados que as demais, apresentando índice de confiança médio (D) de 88% e coeficiente de determinação médio (R2) de 85%. Mesmo mostrando-se superiores, os modelos de RNAs não apresentaram ganhos significativos frente aos modelos de RLM. Assim, foi possível concluir que RNAs são ferramentas adequadas para estimar a incidência de radiação solar. |
| id |
UFRRJ-1_7bf0d3831379ba1052363f8f3185bbeb |
|---|---|
| oai_identifier_str |
oai:rima.ufrrj.br:20.500.14407/14342 |
| network_acronym_str |
UFRRJ-1 |
| network_name_str |
Repositório Institucional da UFRRJ |
| repository_id_str |
|
| spelling |
Araujo, Erylaine Reis Rubim MoreiraSilva, Robson Mariano daCPF: 785.917.837-00Delgado, Angel Ramon SanchezCoutinho, Eluã RamosCPF: 136.718.897-05http://lattes.cnpq.br/26196425996421392023-12-22T03:00:02Z2023-12-22T03:00:02Z2019-07-11ARAUJO, Erylaine Reis Rubim Moreira. Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica. 2019. 69 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2019.https://rima.ufrrj.br/jspui/handle/20.500.14407/14342O presente estudo propõe o desenvolvimento e avaliação de uma metodologia para estimar a incidência de radiação solar no município de Seropédica, localizado no estado do Rio de Janeiro. O objetivo do trabalho é avaliar se o modelo de Redes Neurais Artificiais (RNAs) é apropriado para tal fim. Para tal foram obtidos dados horários correspondentes ao período de 01 de Maio de 2017 a 31 de Janeiro de 2019 do Instituto Nacional de Meteorologia (INMET) através da estação Ecologia Agrícola localizada na região de estudo. Primeiramente foi avaliada a necessidade de se utilizar todos os dados disponibilizados pela estação. Em seguida foram realizados experimentos variando o número de neurônios na camada escondida, treinando redes compostas por uma e duas camadas internas. Diferentes parâmetros estatísticos foram utilizados para avaliar o desempenho dos modelos (r, MAE, RMSE, D, R2, C e skill). Em cada etapa do trabalho, os modelos de RNAs foram comparados com modelos de Regressão Linear Múltipla (RLM) a fim de verificar qual método seria satisfatório. Como resultado, foi possível analisar que não há necessidade de se utilizar todas as variáveis disponibilizadas pela estação Ecologia Agrícola. Analisando a média das 50 simulações realizadas, foi possível constatar que a RNA com a arquitetura de uma camada escondida apresentou resultados mais apurados que as demais, apresentando índice de confiança médio (D) de 88% e coeficiente de determinação médio (R2) de 85%. Mesmo mostrando-se superiores, os modelos de RNAs não apresentaram ganhos significativos frente aos modelos de RLM. Assim, foi possível concluir que RNAs são ferramentas adequadas para estimar a incidência de radiação solar.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorThe present study aims to develop and evaluate a methodology for estimating solar radiation in the city of Seropédica, located in the state of Rio de Janeiro. The objective of this work is to evaluate if the Artificial Neural Networks (ANNs) model is appropriate for this purpose. For that, were obtained hourly data corresponding to the period from May 1, 2017 to January 31, 2019 of the National Meteorological Institute (INMET) through the Agricultural Ecology station located in the region of study. Firstly, it was assessed whether there was a need to use all the data provided by the station. The following experiments were performed by varying the number of neurons in the hidden layer, training networks composed of one and two inner layers. Different statistical parameters were used to evaluate the performance of the models (r, MAE, RMSE, D, R2, C and skill). At each stage of the work, the ANN models were compared with the Multiple Linear Regression (MLR) to verify which method would be satisfactory. As a result, it was possible to analyze that there is no need to use all the variables made available by the Agricultural Ecology station. Analyzing the average of the 50 simulations performed, it was possible to verify that the RNA with the architecture of a hidden layer presented more accurate results than the others, with an average confidence index (D) of 88% and an average determination coefficient (R2) of 85%. Even though they were superior, the RNA models did not show significant gains compared to RLM models. Thus, it was possible to conclude that ANNs are an adequate tools to estimate the incidence of solar radiation.application/pdfporUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalUFRRJBrasilInstituto de Ciências Exatasradiação solarredes neurais artificiaisregressão linear múltiplasolar radiationartificial neural networksmultiple linear regressionMatemáticaAplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de SeropédicaApplication of neural networks in the prediction of availability of solar energy resources in the municipality of Seropédicainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisABDALA, P.J.P. Energia Solar e Eólica. Ponta Grossa (PR): Atena Editora; v. 1. 2019. AL-HAJJ, R.; ASSI, A. Estimating solar irradiance using genetic programming technique and meteorological records. AIMS Energy. Volume 5, Issue 5, p.798-813. 2017. ATLAS RIO SOLAR: atlas solarimétrico do Estado do Rio de Janeiro / organização: IEPUC ‐ Instituto de Energia da PUC‐Rio; [realizado pela EGPEnergia e PUC‐Rio]. ‐ Rio de Janeiro: Ed. PUC‐Rio, 2016. AZZI, J.B.; Utilização de Técnicas de Inteligência Computacional na Caracterização de Pacientes com Doenças Cardiovasculares. Dissertação. UFRRJ, Seropédica, 2018. BARRETO, R.G.; MARINHO, G.M.G.A.; BARRETO, G.F.M.; BARRETO, R.G.; AVERSAN, L.O.C.; DANTAS, B.L. Utilizando Redes Neurais Artificiais para o Diagnóstico de Câncer Cervical. Revista Saúde e Ciência online, v. 7, n. 2, p. 59-67. 2018. BENTLEY, R.W., Energy Policy 30, 189, 2002. BOATA,R.; POP,N. Estimation of Global Solar Irradiation by Using Takagi-Sugeno Fuzzy Systems. Rom. Journ. Phys., Vol. 60, Nos. 3–4, P. 593–602, Bucharest, 2015. BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDEMIR, T.B. Redes Neurais Artificiais: Teoria e Aplicações. LTC. p. 262, 2000. BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Redes de Estações Meteorológicas Automáticas do INMET. Instituto Nacional de Meteorologia. Nota Técnica nº 001/2011/ SEGER/LAIME/INMET, 2011. _______. Portal Brasil. Disponível em:<http://www.brasil.gov.br/infraestrutura/2016/01/brasil-estara-entre-os-20-paises-com-maiorgeracao-solar-em-2018> Acesso em 21/02/2018 CASTRO, J.O; TEIXEIRA, R.O; OLIVEIRA, A.D E CARVALHO, A. G. Comportamento de Coleópteros Degradadores de Madeira em Plantio de Mimosa caesalpiniaefolia (Sabiá) Seropédica, RJ. XIII Encontro Latino Americano de Iniciação Científica e IX Encontro Latino Americano de Pós-Graduação – Universidade do Vale do Paraíba, 2009. COSTA, R. C. Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais. Monografia, UFPB, João Pessoa, 2016. COUTINHO, E. R. Aplicação de Técnicas de Inteligência Computacional no preenchimento de Falhas de Séries Temporais Climatológicas. Dissertação. UFRRJ, Seropédica, 2014. ___________, E. R. SILVA, R. M.; DELGADO, A. R. S. Utilização de Técnicas de Inteligência Computacional na Predição de Dados Meteorológicos. Revista Brasileira de Meteorologia, v. 31, n. 1, p. 24-36, 2016. DESHMUKH, R. P.; GHATOL, A. A. Comparative Study of Temporal Neural Networks for Short Term Flood Forecasting. International Journal of Computer Applications, v. 5, n. 12, p. 24-28, 2010. FAUSETT, L. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. London: Pearson, 1993. 461p. FIORIN, D.V., MARTINS, F.R, SCHUCH, N.J., PEREIRA, E.B. Aplicações de Redes Neurais e Previsões de disponibilidade de Recursos Energéticos Solares. Revista Brasileira de Ensino de Física, v. 33, n. 1, 1309, 2011. FONSECA, J. S.; MARTINS, G. A.; TOLEDO, G. L. Estatística Aplicada. Ed. 2, p. 267. 2012. FREITAS, A.G.S.; FERREIRA, P.M.; SILVA, R.M. Redes Neurais na Classificação de Neoplasias Mamárias. DOI 10.18605/2175-7275/cereus.v11n1p140-149. Revista Cereus. Vol. 11, Nº 1, 2019. GAMBOGI, J.A. Aplicação de Redes Neurais na Tomada de Decisão no Mercado de Ações. Dissertação de Mestrado, USP, São Paulo, 2013. GUARNIERI, R.A., Emprego de Redes Neurais Artificiais e Regressão Linear Múltipla no Refinamento das Previsões de Radiação Solar do Modelo Eta. Dissertação de Mestrado, INPE, São José dos Campos, 2006. GÜNTHER, F.; FRITSCH, S. neuralnet: Training of Neural Networks. The R Journal, vol. 2/1, p. 30-38, 2010. HAYKIN, Simon. Redes Neurais: Princípios e Prática; trad.Paulo Martins Engel, 2.ed., Porto Alegre: Bookman, 2001. HEINEMANN, D., LORENZ, E. and GIRODO, M., in: Proc. International Workshop on Solar Resource from the Local Level to Global Scale in Support to the Resource Management of Renewable Electricity Generation. Institute for Environment and Sustainability, Joint Research Center, Ispra. 2004. HOPFIELD, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America, vol. 79, p. 2554-2558, 1982. IBGE – Instituto Brasileiro de Geografia e Estatística. v4.3.16.1 Brasília: IBGE. 2017. Disponível em <https://www.ibge.gov.br/> acesso em 31/01/2019. IPEA – Instituto de Pesquisa Econômica Aplicada. Caderno ODS: Assegurar o Acesso Confiável, Sustentável, Moderno e a Preço Acessível à Energia para Todos. 2019. Disponível em <http://www.ipea.gov.br/portal/index.php?option=com_content&view=article&id=34715&Itemid=444> Acesso em 10/05/2019. INMET, Instituto Nacional de Meteorologia. BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: <http://www.inmet.gov.br/portal/> Acesso em 01/02/2019 KALOGIROU, S., MICHANELIDES, S., TYMBIOS, F., Prediction of maximum solar radiation using artificial neural networks. In: Proceedings of the WREC VII, Germany. 2002. KIDDER, S. Q.; VONDER HAAR, T. H. Satellite meteorology: an introduction. San Diego: Academic Press, 466p. 1995. KONDRATYEV, K. Ya. Radiation in the atmosphere. New York: Academic Press, 912p. 1969. KRISHNAIAH, T. E RAO, S. S. E MADHUMURTH, K. Y. and REDDY, K.S. Neural Network Approach for Modelling Global Solar Radiation. Journal of Applied Sciences Research, 3(10): 1105-1111. 2007. MACHADO, F. W. Modelagem Chuva-Vazão Mensal Utilizando Redes Neurais Artificiais. 174 p. Dissertação (Programa de Pós-graduação em Engenharia de Recursos Hídricos e Ambiental - Mestre em Engenharia Hidrológica). Universidade Federal do Paraná, Curitiba-PR, 2005. MARTINS, E. R.; BINOTI, M.L.M.S; LEITE, H.G; BINOTI, D.H.B; DUTRA,G.C, Configuração de Redes Neurais Artificiais para Estimação do Afilamento do Fuste de Árvores de Eucalipto. Agrária, Recife, v.11, n.1, p.33-38, 2016 MARTINS, F.R., PEREIRA, E.B., SILVA, S.A.B., S.L. ABREU e S. COLLE, Energy Policy 36, 2843. 2008. _________, F.R., PEREIRA, E.B., S.L. ABREU, Satellite-derived solar resource maps for Brazil under SWERA Project. Elsevier. Solar Energy 81, p.517–528. 2007. MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943. MELLIT, A., BENGHANEM, M. and BENDEKHIS, M., Artificial Neural Network Model for Prediction Solar Radiation Data: Application for Sizing Stand-alone Photovoltaic Power System. IEEE Power Engineering Society General Meeting. 2005. MENDES, I.A., REZENDE, R.A.D., NASCIMENTO, T.H.F., SILVA, J.S.F. e SILVA, O. F. A Utilização das Redes Neurais Artificiais na Previsão de Radiação Solar Global. Congresso Técnico Científico da Engenharia e da Agronomia. Belém – PA 2017. MESINGER F., in: Proceedings of ICTP Regional Weather Predictability and Modeling Workshop, CPTEC/INPE, São José dos Campos 2005. Disponível em ftp://ftp1.cptec.inpe.br/etamdl/Download/model/EtaGuide. 2008.8.pdf. Acesso em 21/02/2018 MINSKY, M.; PAPERT, S. Perceptrons: An Introduction to Computational Geometry. Massachusetts: MIT Press, 1969. MUTAZ, T.; AHMAD, A. Solar Radiation Prediction Using Radial Basis Function Models. International Conference on Developments of E-Systems Engineering. P.77-82. 2015. NASCIMENTO, R.L. Energia Solar no Brasil: Situação e Perspectivas. Brasília: Consultoria Legislativa da Câmara dos Deputados, 2017. PEIXOTO, J.P. e OORT, A.H., Physics of climate. American Institute of Physics Press, New York, 520 p. 1992. PERBONI, A; FRIZZONE, J.A.; CAMARGO, A. P. Artificial Neural Network Based Equation to Estimate Head Loss Along Dripp Irrigation Laterals. Revista Brasileira de Agricultura Irrigada v.8, nº. 2, p. 77 - 85, 2014 PEREIRA, E.B., MARTINS, F.R., GONÇALVES, A.R; COSTA, R.S.; LIMA, F.J.L.; RUTHER, R.; ABREU, S.L.;TIEPOLO, G.M.; PEREIRA, S.V.; SOUZA, J.G. Atlas Brasileiro de Energia Solar: Instituto Nacional de Pesquisas Espaciais, São José dos Campos, SP. 2ªed. 88p. 2017. PEZZOPANE, J.E. M.; CASTRO, F.S.; PEZZOPANE, J.R.M.; CECÍLIO, R.A. AGROMETEOROLOGIA: Aplicações para o Espírito Santo. Alegre, ES: CAUFES. 2012. PINHEIRO, E.; LOVATO, A.; RÜTHER, R. Aplicabilidade de Redes Neurais Artificiais para Análise de Geração de Energia de um Sistema Fotovoltaico Conectado a Rede Elétrica. Revista Brasileira de Energias Renováveis. v.6, n.5, p. 875-892, 2017. PMS - Prefeitura Municipal de Seropédica. Dados Gerais. 2019. Disponível em <http://www.seropedica.rj.gov.br/> Acesso em 31/01/2019. PNUD – Programa das Nações Unidas para o Desenvolvimento; IPEA – Instituto de Pesquisa Econômica Aplicada; FJP - Fundação João Pinheiro. Atlas do Desenvolvimento Humano no Brasil. 2013. Disponível em: <http://www.atlasbrasil.org.br/2013/pt/perfil_m/seropedica_rj.> Acesso em 31/01/2019. PVGIS - Photovoltaic Geographical Information System. 2012. Disponível em <http://re.jrc.ec.europa.eu/pvg_download/map_index.html> Acesso em 17/05/2019. RAWLINGS, J.O; PANTULA, S.G; DICKEY, D.A. Applied Regression Analysis: A Research Tool. 2ª ed. Springer. 1998. RIEDMILLER, M. Rprop - Description and Implementation Details. Technical Report, University of Karlsruhe, Karlsruhe. 1994. ____________, M.; BRAUN, H. A direct adaptative method for faster backpropagation learning: the RPROP algorithm’, Proceedings of the IEEE International Conference on Neural Networks, San Francisco, EUA, 586–591. 1993. ROBINSON, T.P.; METTERNICHT, G. Testing the Performance of Spatial Interpolation Techniques for Mapping Soil Properties. Computers and Eletronics in Agriculture, v. 50, p. 97-108, 2006. ROSENBLATT, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev., v. 65, p. 386-408, 1958. RUMELHART, D. E.; MCCLELLAND, J.L. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol.1, Cambridge, MA: MIT Press, 1986. _____________, D. E.; HINTON G.E.; WILLIAMS, R. J. Learning Representations by Backpropagation Errors. Nature, v. 323, p. 533-536, 1986. R Documentation. Trainin of neural networks. Disponível em: <http://127.0.0.1:24810/library/neuralnet/html/neuralnet.html> Acesso em 06/12/2018. SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. São Paulo: Artliber, 2010. SILVA, J.P.B.C. Modelos de Regressão Linear e Logística Utilizando o Software R. 2016. p.146. Dissertação. UAB. Portugal, 2016. SILVA, R. M. Energia Solar: dos incentivos aos desafios. Texto para discussão nº 166. Brasília. Senado Federal, 2015. SOARES J., OLIVEIRA A.P., BOZNAR M.Z., MLAKAR P., ESCOBEDO J.F. e MACHADO A.J., Applied Energy 79, 201. 2004. WALLACE, J. M.; HOBBS, P. V. Atmospheric science: an introductory survey. Amsterdam: Elsevier Academic Press, 2006. WIDROW, B.; HOFF, M. B. Adaptive switching circuits. IRE WESCON Convention Record, pp.96-104, 1960.https://tede.ufrrj.br/retrieve/67718/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf.jpghttps://tede.ufrrj.br/jspui/handle/jspui/5279Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2021-11-30T19:18:30Z No. of bitstreams: 1 2019 - Erylaine Reis Rubim Moreira Araujo.pdf: 4752086 bytes, checksum: 146c3201a2c90b15e4c3cb399cc4d281 (MD5)Made available in DSpace on 2021-11-30T19:18:30Z (GMT). No. of bitstreams: 1 2019 - Erylaine Reis Rubim Moreira Araujo.pdf: 4752086 bytes, checksum: 146c3201a2c90b15e4c3cb399cc4d281 (MD5) Previous issue date: 2019-07-11info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJTHUMBNAIL2019 - Erylaine Reis Rubim Moreira Araujo.pdf.jpgGenerated Thumbnailimage/jpeg3650https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/1/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf.jpg6e37320f07f9f86c91f59edfb2e9868dMD51TEXT2019 - Erylaine Reis Rubim Moreira Araujo.pdf.txtExtracted Texttext/plain163662https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/2/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf.txtf13dc1f1e5e27f686eb2d604487242baMD52ORIGINAL2019 - Erylaine Reis Rubim Moreira Araujo.pdfapplication/pdf4752086https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/3/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf146c3201a2c90b15e4c3cb399cc4d281MD53LICENSElicense.txttext/plain2089https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/4/license.txt7b5ba3d2445355f386edab96125d42b7MD5420.500.14407/143422023-12-22 00:00:02.835oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.br||bibliot@ufrrj.bropendoar:2023-12-22T03:00:02Biblioteca Digital de Teses e Dissertações da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false |
| dc.title.por.fl_str_mv |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| dc.title.alternative.eng.fl_str_mv |
Application of neural networks in the prediction of availability of solar energy resources in the municipality of Seropédica |
| title |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| spellingShingle |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica Araujo, Erylaine Reis Rubim Moreira radiação solar redes neurais artificiais regressão linear múltipla solar radiation artificial neural networks multiple linear regression Matemática |
| title_short |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| title_full |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| title_fullStr |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| title_full_unstemmed |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| title_sort |
Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica |
| author |
Araujo, Erylaine Reis Rubim Moreira |
| author_facet |
Araujo, Erylaine Reis Rubim Moreira |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Araujo, Erylaine Reis Rubim Moreira |
| dc.contributor.advisor1.fl_str_mv |
Silva, Robson Mariano da |
| dc.contributor.advisor1ID.fl_str_mv |
CPF: 785.917.837-00 |
| dc.contributor.referee1.fl_str_mv |
Delgado, Angel Ramon Sanchez |
| dc.contributor.referee2.fl_str_mv |
Coutinho, Eluã Ramos |
| dc.contributor.authorID.fl_str_mv |
CPF: 136.718.897-05 |
| dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2619642599642139 |
| contributor_str_mv |
Silva, Robson Mariano da Delgado, Angel Ramon Sanchez Coutinho, Eluã Ramos |
| dc.subject.por.fl_str_mv |
radiação solar redes neurais artificiais regressão linear múltipla |
| topic |
radiação solar redes neurais artificiais regressão linear múltipla solar radiation artificial neural networks multiple linear regression Matemática |
| dc.subject.eng.fl_str_mv |
solar radiation artificial neural networks multiple linear regression |
| dc.subject.cnpq.fl_str_mv |
Matemática |
| description |
O presente estudo propõe o desenvolvimento e avaliação de uma metodologia para estimar a incidência de radiação solar no município de Seropédica, localizado no estado do Rio de Janeiro. O objetivo do trabalho é avaliar se o modelo de Redes Neurais Artificiais (RNAs) é apropriado para tal fim. Para tal foram obtidos dados horários correspondentes ao período de 01 de Maio de 2017 a 31 de Janeiro de 2019 do Instituto Nacional de Meteorologia (INMET) através da estação Ecologia Agrícola localizada na região de estudo. Primeiramente foi avaliada a necessidade de se utilizar todos os dados disponibilizados pela estação. Em seguida foram realizados experimentos variando o número de neurônios na camada escondida, treinando redes compostas por uma e duas camadas internas. Diferentes parâmetros estatísticos foram utilizados para avaliar o desempenho dos modelos (r, MAE, RMSE, D, R2, C e skill). Em cada etapa do trabalho, os modelos de RNAs foram comparados com modelos de Regressão Linear Múltipla (RLM) a fim de verificar qual método seria satisfatório. Como resultado, foi possível analisar que não há necessidade de se utilizar todas as variáveis disponibilizadas pela estação Ecologia Agrícola. Analisando a média das 50 simulações realizadas, foi possível constatar que a RNA com a arquitetura de uma camada escondida apresentou resultados mais apurados que as demais, apresentando índice de confiança médio (D) de 88% e coeficiente de determinação médio (R2) de 85%. Mesmo mostrando-se superiores, os modelos de RNAs não apresentaram ganhos significativos frente aos modelos de RLM. Assim, foi possível concluir que RNAs são ferramentas adequadas para estimar a incidência de radiação solar. |
| publishDate |
2019 |
| dc.date.issued.fl_str_mv |
2019-07-11 |
| dc.date.accessioned.fl_str_mv |
2023-12-22T03:00:02Z |
| dc.date.available.fl_str_mv |
2023-12-22T03:00:02Z |
| 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 |
ARAUJO, Erylaine Reis Rubim Moreira. Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica. 2019. 69 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2019. |
| dc.identifier.uri.fl_str_mv |
https://rima.ufrrj.br/jspui/handle/20.500.14407/14342 |
| identifier_str_mv |
ARAUJO, Erylaine Reis Rubim Moreira. Aplicação de redes neurais na predição de disponibilidade de recursos energéticos solares no Município de Seropédica. 2019. 69 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2019. |
| url |
https://rima.ufrrj.br/jspui/handle/20.500.14407/14342 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.references.por.fl_str_mv |
ABDALA, P.J.P. Energia Solar e Eólica. Ponta Grossa (PR): Atena Editora; v. 1. 2019. AL-HAJJ, R.; ASSI, A. Estimating solar irradiance using genetic programming technique and meteorological records. AIMS Energy. Volume 5, Issue 5, p.798-813. 2017. ATLAS RIO SOLAR: atlas solarimétrico do Estado do Rio de Janeiro / organização: IEPUC ‐ Instituto de Energia da PUC‐Rio; [realizado pela EGPEnergia e PUC‐Rio]. ‐ Rio de Janeiro: Ed. PUC‐Rio, 2016. AZZI, J.B.; Utilização de Técnicas de Inteligência Computacional na Caracterização de Pacientes com Doenças Cardiovasculares. Dissertação. UFRRJ, Seropédica, 2018. BARRETO, R.G.; MARINHO, G.M.G.A.; BARRETO, G.F.M.; BARRETO, R.G.; AVERSAN, L.O.C.; DANTAS, B.L. Utilizando Redes Neurais Artificiais para o Diagnóstico de Câncer Cervical. Revista Saúde e Ciência online, v. 7, n. 2, p. 59-67. 2018. BENTLEY, R.W., Energy Policy 30, 189, 2002. BOATA,R.; POP,N. Estimation of Global Solar Irradiation by Using Takagi-Sugeno Fuzzy Systems. Rom. Journ. Phys., Vol. 60, Nos. 3–4, P. 593–602, Bucharest, 2015. BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDEMIR, T.B. Redes Neurais Artificiais: Teoria e Aplicações. LTC. p. 262, 2000. BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Redes de Estações Meteorológicas Automáticas do INMET. Instituto Nacional de Meteorologia. Nota Técnica nº 001/2011/ SEGER/LAIME/INMET, 2011. _______. Portal Brasil. Disponível em:<http://www.brasil.gov.br/infraestrutura/2016/01/brasil-estara-entre-os-20-paises-com-maiorgeracao-solar-em-2018> Acesso em 21/02/2018 CASTRO, J.O; TEIXEIRA, R.O; OLIVEIRA, A.D E CARVALHO, A. G. Comportamento de Coleópteros Degradadores de Madeira em Plantio de Mimosa caesalpiniaefolia (Sabiá) Seropédica, RJ. XIII Encontro Latino Americano de Iniciação Científica e IX Encontro Latino Americano de Pós-Graduação – Universidade do Vale do Paraíba, 2009. COSTA, R. C. Modelos Preditivos de Velocidade de Vento para Sistemas Eólicos Baseados em Redes Neurais Artificiais. Monografia, UFPB, João Pessoa, 2016. COUTINHO, E. R. Aplicação de Técnicas de Inteligência Computacional no preenchimento de Falhas de Séries Temporais Climatológicas. Dissertação. UFRRJ, Seropédica, 2014. ___________, E. R. SILVA, R. M.; DELGADO, A. R. S. Utilização de Técnicas de Inteligência Computacional na Predição de Dados Meteorológicos. Revista Brasileira de Meteorologia, v. 31, n. 1, p. 24-36, 2016. DESHMUKH, R. P.; GHATOL, A. A. Comparative Study of Temporal Neural Networks for Short Term Flood Forecasting. International Journal of Computer Applications, v. 5, n. 12, p. 24-28, 2010. FAUSETT, L. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. London: Pearson, 1993. 461p. FIORIN, D.V., MARTINS, F.R, SCHUCH, N.J., PEREIRA, E.B. Aplicações de Redes Neurais e Previsões de disponibilidade de Recursos Energéticos Solares. Revista Brasileira de Ensino de Física, v. 33, n. 1, 1309, 2011. FONSECA, J. S.; MARTINS, G. A.; TOLEDO, G. L. Estatística Aplicada. Ed. 2, p. 267. 2012. FREITAS, A.G.S.; FERREIRA, P.M.; SILVA, R.M. Redes Neurais na Classificação de Neoplasias Mamárias. DOI 10.18605/2175-7275/cereus.v11n1p140-149. Revista Cereus. Vol. 11, Nº 1, 2019. GAMBOGI, J.A. Aplicação de Redes Neurais na Tomada de Decisão no Mercado de Ações. Dissertação de Mestrado, USP, São Paulo, 2013. GUARNIERI, R.A., Emprego de Redes Neurais Artificiais e Regressão Linear Múltipla no Refinamento das Previsões de Radiação Solar do Modelo Eta. Dissertação de Mestrado, INPE, São José dos Campos, 2006. GÜNTHER, F.; FRITSCH, S. neuralnet: Training of Neural Networks. The R Journal, vol. 2/1, p. 30-38, 2010. HAYKIN, Simon. Redes Neurais: Princípios e Prática; trad.Paulo Martins Engel, 2.ed., Porto Alegre: Bookman, 2001. HEINEMANN, D., LORENZ, E. and GIRODO, M., in: Proc. International Workshop on Solar Resource from the Local Level to Global Scale in Support to the Resource Management of Renewable Electricity Generation. Institute for Environment and Sustainability, Joint Research Center, Ispra. 2004. HOPFIELD, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America, vol. 79, p. 2554-2558, 1982. IBGE – Instituto Brasileiro de Geografia e Estatística. v4.3.16.1 Brasília: IBGE. 2017. Disponível em <https://www.ibge.gov.br/> acesso em 31/01/2019. IPEA – Instituto de Pesquisa Econômica Aplicada. Caderno ODS: Assegurar o Acesso Confiável, Sustentável, Moderno e a Preço Acessível à Energia para Todos. 2019. Disponível em <http://www.ipea.gov.br/portal/index.php?option=com_content&view=article&id=34715&Itemid=444> Acesso em 10/05/2019. INMET, Instituto Nacional de Meteorologia. BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: <http://www.inmet.gov.br/portal/> Acesso em 01/02/2019 KALOGIROU, S., MICHANELIDES, S., TYMBIOS, F., Prediction of maximum solar radiation using artificial neural networks. In: Proceedings of the WREC VII, Germany. 2002. KIDDER, S. Q.; VONDER HAAR, T. H. Satellite meteorology: an introduction. San Diego: Academic Press, 466p. 1995. KONDRATYEV, K. Ya. Radiation in the atmosphere. New York: Academic Press, 912p. 1969. KRISHNAIAH, T. E RAO, S. S. E MADHUMURTH, K. Y. and REDDY, K.S. Neural Network Approach for Modelling Global Solar Radiation. Journal of Applied Sciences Research, 3(10): 1105-1111. 2007. MACHADO, F. W. Modelagem Chuva-Vazão Mensal Utilizando Redes Neurais Artificiais. 174 p. Dissertação (Programa de Pós-graduação em Engenharia de Recursos Hídricos e Ambiental - Mestre em Engenharia Hidrológica). Universidade Federal do Paraná, Curitiba-PR, 2005. MARTINS, E. R.; BINOTI, M.L.M.S; LEITE, H.G; BINOTI, D.H.B; DUTRA,G.C, Configuração de Redes Neurais Artificiais para Estimação do Afilamento do Fuste de Árvores de Eucalipto. Agrária, Recife, v.11, n.1, p.33-38, 2016 MARTINS, F.R., PEREIRA, E.B., SILVA, S.A.B., S.L. ABREU e S. COLLE, Energy Policy 36, 2843. 2008. _________, F.R., PEREIRA, E.B., S.L. ABREU, Satellite-derived solar resource maps for Brazil under SWERA Project. Elsevier. Solar Energy 81, p.517–528. 2007. MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943. MELLIT, A., BENGHANEM, M. and BENDEKHIS, M., Artificial Neural Network Model for Prediction Solar Radiation Data: Application for Sizing Stand-alone Photovoltaic Power System. IEEE Power Engineering Society General Meeting. 2005. MENDES, I.A., REZENDE, R.A.D., NASCIMENTO, T.H.F., SILVA, J.S.F. e SILVA, O. F. A Utilização das Redes Neurais Artificiais na Previsão de Radiação Solar Global. Congresso Técnico Científico da Engenharia e da Agronomia. Belém – PA 2017. MESINGER F., in: Proceedings of ICTP Regional Weather Predictability and Modeling Workshop, CPTEC/INPE, São José dos Campos 2005. Disponível em ftp://ftp1.cptec.inpe.br/etamdl/Download/model/EtaGuide. 2008.8.pdf. Acesso em 21/02/2018 MINSKY, M.; PAPERT, S. Perceptrons: An Introduction to Computational Geometry. Massachusetts: MIT Press, 1969. MUTAZ, T.; AHMAD, A. Solar Radiation Prediction Using Radial Basis Function Models. International Conference on Developments of E-Systems Engineering. P.77-82. 2015. NASCIMENTO, R.L. Energia Solar no Brasil: Situação e Perspectivas. Brasília: Consultoria Legislativa da Câmara dos Deputados, 2017. PEIXOTO, J.P. e OORT, A.H., Physics of climate. American Institute of Physics Press, New York, 520 p. 1992. PERBONI, A; FRIZZONE, J.A.; CAMARGO, A. P. Artificial Neural Network Based Equation to Estimate Head Loss Along Dripp Irrigation Laterals. Revista Brasileira de Agricultura Irrigada v.8, nº. 2, p. 77 - 85, 2014 PEREIRA, E.B., MARTINS, F.R., GONÇALVES, A.R; COSTA, R.S.; LIMA, F.J.L.; RUTHER, R.; ABREU, S.L.;TIEPOLO, G.M.; PEREIRA, S.V.; SOUZA, J.G. Atlas Brasileiro de Energia Solar: Instituto Nacional de Pesquisas Espaciais, São José dos Campos, SP. 2ªed. 88p. 2017. PEZZOPANE, J.E. M.; CASTRO, F.S.; PEZZOPANE, J.R.M.; CECÍLIO, R.A. AGROMETEOROLOGIA: Aplicações para o Espírito Santo. Alegre, ES: CAUFES. 2012. PINHEIRO, E.; LOVATO, A.; RÜTHER, R. Aplicabilidade de Redes Neurais Artificiais para Análise de Geração de Energia de um Sistema Fotovoltaico Conectado a Rede Elétrica. Revista Brasileira de Energias Renováveis. v.6, n.5, p. 875-892, 2017. PMS - Prefeitura Municipal de Seropédica. Dados Gerais. 2019. Disponível em <http://www.seropedica.rj.gov.br/> Acesso em 31/01/2019. PNUD – Programa das Nações Unidas para o Desenvolvimento; IPEA – Instituto de Pesquisa Econômica Aplicada; FJP - Fundação João Pinheiro. Atlas do Desenvolvimento Humano no Brasil. 2013. Disponível em: <http://www.atlasbrasil.org.br/2013/pt/perfil_m/seropedica_rj.> Acesso em 31/01/2019. PVGIS - Photovoltaic Geographical Information System. 2012. Disponível em <http://re.jrc.ec.europa.eu/pvg_download/map_index.html> Acesso em 17/05/2019. RAWLINGS, J.O; PANTULA, S.G; DICKEY, D.A. Applied Regression Analysis: A Research Tool. 2ª ed. Springer. 1998. RIEDMILLER, M. Rprop - Description and Implementation Details. Technical Report, University of Karlsruhe, Karlsruhe. 1994. ____________, M.; BRAUN, H. A direct adaptative method for faster backpropagation learning: the RPROP algorithm’, Proceedings of the IEEE International Conference on Neural Networks, San Francisco, EUA, 586–591. 1993. ROBINSON, T.P.; METTERNICHT, G. Testing the Performance of Spatial Interpolation Techniques for Mapping Soil Properties. Computers and Eletronics in Agriculture, v. 50, p. 97-108, 2006. ROSENBLATT, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev., v. 65, p. 386-408, 1958. RUMELHART, D. E.; MCCLELLAND, J.L. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol.1, Cambridge, MA: MIT Press, 1986. _____________, D. E.; HINTON G.E.; WILLIAMS, R. J. Learning Representations by Backpropagation Errors. Nature, v. 323, p. 533-536, 1986. R Documentation. Trainin of neural networks. Disponível em: <http://127.0.0.1:24810/library/neuralnet/html/neuralnet.html> Acesso em 06/12/2018. SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. São Paulo: Artliber, 2010. SILVA, J.P.B.C. Modelos de Regressão Linear e Logística Utilizando o Software R. 2016. p.146. Dissertação. UAB. Portugal, 2016. SILVA, R. M. Energia Solar: dos incentivos aos desafios. Texto para discussão nº 166. Brasília. Senado Federal, 2015. SOARES J., OLIVEIRA A.P., BOZNAR M.Z., MLAKAR P., ESCOBEDO J.F. e MACHADO A.J., Applied Energy 79, 201. 2004. WALLACE, J. M.; HOBBS, P. V. Atmospheric science: an introductory survey. Amsterdam: Elsevier Academic Press, 2006. WIDROW, B.; HOFF, M. B. Adaptive switching circuits. IRE WESCON Convention Record, pp.96-104, 1960. |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Matemática e Computacional |
| dc.publisher.initials.fl_str_mv |
UFRRJ |
| dc.publisher.country.fl_str_mv |
Brasil |
| dc.publisher.department.fl_str_mv |
Instituto de Ciências Exatas |
| publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRRJ instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ) instacron:UFRRJ |
| instname_str |
Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| instacron_str |
UFRRJ |
| institution |
UFRRJ |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRRJ |
| collection |
Biblioteca Digital de Teses e Dissertações da UFRRJ |
| bitstream.url.fl_str_mv |
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/1/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf.jpg https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/2/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf.txt https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/3/2019%20-%20Erylaine%20Reis%20Rubim%20Moreira%20Araujo.pdf https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14342/4/license.txt |
| bitstream.checksum.fl_str_mv |
6e37320f07f9f86c91f59edfb2e9868d f13dc1f1e5e27f686eb2d604487242ba 146c3201a2c90b15e4c3cb399cc4d281 7b5ba3d2445355f386edab96125d42b7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| repository.mail.fl_str_mv |
bibliot@ufrrj.br||bibliot@ufrrj.br |
| _version_ |
1810107892924153856 |