Modelos de previsão da energia solar utilizando Python
Authors:
- Camila Piacitelli TieghiCTCamila Piacitelli Tieghi
- Carlos Educardo Camargo NogueiraCNCarlos Educardo Camargo Nogueira
- Jair Antonio Cruz SiqueiraJSJair Antonio Cruz Siqueira
- Carlos Roberto Souza CarmoCCCarlos Roberto Souza Carmo
- Luís Fernando Soares ZuinLZLuís Fernando Soares Zuin
- Jorge AlvarezJAJorge Alvarez
- Fernando de Lima CaneppeleFCFernando de Lima Caneppele
Open Access
- 1 August 2024
- journal article
- Published by Research, Society and Development in Research, Society and Development
- Vol. 13 (8)
Abstract
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.Keywords
This publication has 17 references indexed in Scilit:
- Proactively selection of input variables based on information gain factors for deep learning models in short-term solar irradiance forecastingEnergy, 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 transformEngineering Applications of Artificial Intelligence, 2023
- Solar Energy Forecasting Using Machine Learning and Deep Learning TechniquesArchives of Computational Methods in Engineering, 2023
- Deep learning model for regional solar radiation estimation using satellite imagesAin Shams Engineering Journal, 2022
- Artificial intelligence in renewable systems for transformation towards intelligent buildingsEnergy and AI, 2022
- A hybrid decomposition-boosting model for short-term multi-step solar radiation forecasting with NARX neural networkJournal of Central South University, 2021
- Taxonomy research of artificial intelligence for deterministic solar power forecastingEnergy Conversion and Management, 2020
- A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regionsEnergy, 2020
- Energy modeling of a solar dish/Stirling by artificial intelligence approachEnergy Conversion and Management, 2019
- 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 ChinaEnergy Conversion and Management, 2018