@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/ibi/6qtX3pFwXQZGivnJSY/LiF8s",
targetfile = "publicacao.pdf",
urlaccessdate = "01 maio 2024"
}