Fechar
Metadados

@MastersThesis{Guarnieri:2006:EmReNe,
               author = "Guarnieri, Ricardo Andr{\'e}",
                title = "Emprego de redes neurais artificiais e regress{\~a}o linear 
                         m{\'u}ltipla no refinamento das previs{\~o}es de 
                         radia{\c{c}}{\~a}o solar do modelo Eta",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2006",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2006-04-12",
             keywords = "previs{\~a}o de tempo, radia{\c{c}}{\~a}o solar, energia solar, 
                         redes neurais artificiais, an{\'a}lise estat{\'{\i}}stica 
                         multivariada, weather forecasting, solar radiation, solar energy, 
                         neural nets, multivariate statistical analysis.",
             abstract = "A pesquisa abordada nesta disserta{\c{c}}{\~a}o teve como 
                         objetivo o desenvolvimento e avalia{\c{c}}{\~a}o de uma 
                         metodologia de previs{\~a}o de irradia{\c{c}}{\~a}o solar 
                         incidente, voltada ao setor de gera{\c{c}}{\~a}o e 
                         distribui{\c{c}}{\~a}o de energia, constituindo assim, uma 
                         pesquisa de meteorologia aplicada. O trabalho desenvolvido 
                         consiste no refinamento da previs{\~a}o num{\'e}rica de tempo 
                         produzida pelo modelo Eta/CPTEC, visando reduzir as incertezas 
                         associadas {\`a} previs{\~a}o de radia{\c{c}}{\~a}o solar 
                         deste modelo. As vari{\'a}veis de sa{\'{\i}}da do modelo Eta, 
                         representando as condi{\c{c}}{\~o}es atmosf{\'e}ricas 
                         previstas, foram empregadas como preditores em modelos de Redes 
                         Neurais Artificiais (RNAs) e Regress{\~o}es Lineares 
                         M{\'u}ltiplas (RLMs), ajustados para calcular a 
                         radia{\c{c}}{\~a}o solar incidente para duas localidades onde se 
                         situam esta{\c{c}}{\~o}es do projeto SONDA: 
                         Florian{\'o}polis-SC (FLN) e S{\~a}o Martinho da Serra-RS (SMS). 
                         As medidas de radia{\c{c}}{\~a}o solar global realizadas nestes 
                         locais foram utilizadas na sele{\c{c}}{\~a}o de preditores, no 
                         treinamento de RNAs, no ajuste de RLMs e para 
                         avalia{\c{c}}{\~a}o das previs{\~o}es. Foram utilizados dados 
                         de janeiro/2002 a outubro/2005 para FLN e de julho/2004 a 
                         outubro/2005 para SMS. Diversos conjuntos de preditores, 
                         constitu{\'{\i}}dos com base em considera{\c{c}}{\~o}es 
                         f{\'{\i}}sicas e estat{\'{\i}}sticas, foram testados no ajuste 
                         e simula{\c{c}}{\~a}o de modelos RNA e RLM. Par{\^a}metros de 
                         avalia{\c{c}}{\~a}o de erros, determinados frente aos dados 
                         observacionais de cada esta{\c{c}}{\~a}o de medida, foram 
                         calculados para cada previs{\~a}o, a cada teste, permitindo a 
                         compara{\c{c}}{\~a}o de RNAs e RLMs entre si, e com a 
                         previs{\~a}o de radia{\c{c}}{\~a}o solar diretamente 
                         determinada pelo modelo Eta. Visando maximizar o ganho de 
                         desempenho sobre o modelo Eta e minimizar o n{\'u}mero de 
                         vari{\'a}veis, encontrou-se um grupo de oito preditores, com o 
                         qual an{\'a}lises mais aprofundadas foram realizadas, incluindo 
                         avalia{\c{c}}{\~a}o de desempenho em cada esta{\c{c}}{\~a}o do 
                         ano e avalia{\c{c}}{\~a}o de previs{\~o}es com maiores 
                         anteced{\^e}ncias. Para todos os conjuntos de preditores 
                         testados, erros de previs{\~a}o muito semelhantes para RNAs e 
                         RLMs foram observados, indicando, portanto, n{\~a}o haver 
                         diferen{\c{c}}as significativas de desempenho entre os dois 
                         m{\'e}todos. Ambos os m{\'e}todos, ao empregar o grupo de oito 
                         preditores, promoveram redu{\c{c}}{\~a}o do vi{\'e}s e do RMSE 
                         em compara{\c{c}}{\~a}o com a previs{\~a}o de 
                         radia{\c{c}}{\~a}o solar do modelo Eta. Confrontando 
                         previs{\~o}es de irradia{\c{c}}{\~a}o solar integradas de 
                         12:00UT a 18:00UT de cada dia, verificou-se que, enquanto o modelo 
                         Eta apresenta valores de vi{\'e}s superiores a 25%, os 
                         m{\'e}todos RNA e RLM conduzem a valores de vi{\'e}s inferiores 
                         a 2%. Em termos de RMSE relativo, as previs{\~o}es do modelo Eta 
                         produzem erros maiores que 40%, enquanto os m{\'e}todos RNA e RLM 
                         apresentam erros entre 26 e 28%. A avalia{\c{c}}{\~a}o do Skill 
                         em termos do RMSE, aponta para ganhos superiores a 30% das novas 
                         previs{\~o}es sobre as previs{\~o}es do modelo Eta. Esta 
                         eleva{\c{c}}{\~a}o de desempenho atrav{\'e}s do refinamento 
                         tamb{\'e}m {\'e} verificada nos coeficientes de 
                         correla{\c{c}}{\~a}o: de 0,72 (Eta) para 0,80 (RNA e RLM) em 
                         FLN, e de 0,78 (Eta) para 0,85 (RNA e RLM) em SMS. ABSTRACT: This 
                         study aims to develop and evaluate a methodology to increase the 
                         accuracy of solar radiation forecasts generated by meteorological 
                         mesoscale models. The work is therefore an application of 
                         meteorological concepts and tools to meet the needs of the 
                         electricity production and distribution sector. The process is 
                         based on refining the numerical weather predictions yielded by the 
                         Eta/CPTEC model. Eta model output data, representing the 
                         forecasted atmospheric conditions, were used as predictors by 
                         Artificial Neural Networks (ANNs) and Multiple Linear Regressions 
                         (MLRs). These refining models were adjusted for calculation of the 
                         incident solar radiation at two sites where ground data from the 
                         SONDA project were available: Florian{\'o}polis (FLN) and 
                         S{\~a}o Martinho da Serra (SMS). The measurements of global solar 
                         radiation acquired in FLN and SMS were used for predictors 
                         selection, for training/fitting of ANNs and MLRs and for forecasts 
                         evaluation. This study included data for FLN from January/2002 to 
                         October/2005, and for SMS from July/2004 to October/2005. Several 
                         sets of predictors were tested in the adjustment and simulation of 
                         ANN and MLR models. Error evaluation parameters were calculated 
                         for each forecast and test. These parameters allowed the 
                         comparison among solar radiation forecasts provided by ANNs, MLRs, 
                         and Eta model. In order to maximize the improvement over the Eta 
                         model forecasts, and to minimize the number of variables to be 
                         processed, a set of eight predictors were chosen. This predictors 
                         set was employed in the performance evaluation for each season and 
                         evaluation of forecasts generated with more time in advance. 
                         Forecast errors for ANNs and MLRs were very close, for all sets of 
                         tested predictors, indicating high similarities between the two 
                         methods. The ANN and MLR, using the selected set of eight 
                         predictors, provided solar radiation estimates with lower bias and 
                         RMSE than the ones provided by the unadjusted Eta model. While Eta 
                         model forecasts presented bias higher than 25%, ANNs and MLRs 
                         provided forecasts with bias lower than 2%, for the solar 
                         radiation integrals between 12:00UT and 18:00UT. Concerning to the 
                         RMSE, the Eta model forecasts presented errors higher than 40%, 
                         while the ANNs and MLRs led to errors between 26% and 28%. The 
                         skill, based on RMSE, indicates improvements higher than 30% in 
                         ANN and MLR forecasts over Eta model forecasts. This increase in 
                         performance is also demonstrated by the correlation coefficients 
                         rising: from 0.72 (Eta) to 0.80 (ANN and MLR) for FLN and from 
                         0.78 (Eta) to 0.85 (ANN and MLR) for SMS.",
            committee = "Sansigolo, Cl{\'o}vis Angeli (presidente) and Pereira, Enio Bueno 
                         (orientador) and Martins, Fernando Ramos and Chan, Chou Sin and 
                         R{\"u}ther, Ricardo",
           copyholder = "SID/SCD",
         englishtitle = "Artificial neural networks and multiple linear regressions applied 
                         to refining the solar radiation forecast provided by the Eta 
                         model",
             language = "pt",
                pages = "171",
                  ibi = "6qtX3pFwXQZGivnJSY/LiF8s",
                  url = "http://urlib.net/rep/6qtX3pFwXQZGivnJSY/LiF8s",
           targetfile = "publicacao.pdf",
        urlaccessdate = "19 jan. 2021"
}


Fechar