@TechReport{GuarachiGonēMart:2022:UsApMį,
               author = "Guarachi, Mariane Souza and Gon{\c{c}}alves, Andr{\'e} Rodrigues 
                         and Martins, Fernando Ramos",
                title = "Uso de aprendizado de m{\'a}quina para gera{\c{c}}{\~a}o de 
                         s{\'e}ries temporais de irradia{\c{c}}{\~a}o solar na 
                         superf{\'{\i}}cie",
          institution = "Instituto Nacional de Pesquisas Espaciais",
                 year = "2022",
                 type = "RPQ",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
             keywords = "energia solar, modelagem num{\'e}rica, s{\'e}ries temporais, 
                         solar energy, numerical modeling, time series.",
             abstract = "{\'E} de suma import{\^a}ncia ter dispon{\'{\i}}vel 
                         s{\'e}ries temporais de irradi{\^a}ncia solar de um determinado 
                         local na superf{\'{\i}}cie da Terra para aplica{\c{c}}{\~a}o 
                         em {\'a}reas cient{\'{\i}}ficas e tecnol{\'o}gicas. Em um caso 
                         mais espec{\'{\i}}fico, como a gera{\c{c}}{\~a}o de 
                         eletricidade pela energia solar s{\~a}o necess{\'a}rios dados 
                         detalhados de irradi{\^a}ncia solar para modelar o desempenho de 
                         uma planta fotovoltaica. Frequentemente, estas s{\'e}ries 
                         temporais s{\~a}o obtidas pelas medi{\c{c}}{\~o}es realizadas 
                         no solo ou s{\~a}o derivadas de imagens de sat{\'e}lites. No 
                         entanto, as observa{\c{c}}{\~o}es em solo podem apresentar 
                         descontinuidades, que duram de minutos a dias, no registro dos 
                         dados causadas pela manuten{\c{c}}{\~a}o preventiva e corretiva 
                         deficientes e falta de energia nos equipamentos. Esta falta de 
                         dados {\'e} prejudicial para o estudo de viabilidade de uma 
                         planta fotovoltaica, pois isso acarreta no crescimento das 
                         incertezas sobre o potencial t{\'e}cnico dispon{\'{\i}}vel no 
                         local. Portanto, {\'e} necess{\'a}rio a utiliza{\c{c}}{\~a}o 
                         de s{\'e}ries temporais geradas sinteticamente ou matematicamente 
                         para preencher as lacunas de dados das medi{\c{c}}{\~o}es. Com 
                         isso, o presente projeto de pesquisa tem como objetivo desenvolver 
                         metodologias de aprendizado de m{\'a}quina para obter estimativas 
                         de irradia{\c{c}}{\~a}o solar de S{\~a}o Martinho da Serra e 
                         Petrolina por meio da gera{\c{c}}{\~a}o de s{\'e}ries 
                         temporais. A metodologia de aprendizado de m{\'a}quina com a 
                         utiliza{\c{c}}{\~a}o de redes neurais artificiais vai ser 
                         aplicada para a gera{\c{c}}{\~a}o de s{\'e}ries temporais, 
                         utilizando a linguagem de programa{\c{c}}{\~a}o Python. Por fim, 
                         a s{\'e}rie artificial possibilitou investigar o desempenho no 
                         preenchimento de lacunas de dados em s{\'e}ries temporais. 
                         ABSTRACT: It is imperative to have available time series of solar 
                         irradiance data from a given location on the Earth's surface for 
                         application in scientific and technological areas. In a more 
                         specific case, such as solar power generation, detailed solar 
                         irradiance data are needed to model the performance of a 
                         photovoltaic plant. Often, these time series are obtained from 
                         ground measurements or derived from satellite imagery. However, 
                         time series of ground observations can present discontinuities, 
                         which last from minutes to days, caused by poor preventive and 
                         corrective maintenance or power outages. The data gaps hinder the 
                         feasibility study of a photovoltaic plant, as it leads to growing 
                         uncertainties about the technical potential available at the site. 
                         Several studies discuss computational methods to fill data gaps 
                         based on the time series attributes. The current study aims to 
                         develop a machine learning methodology to fill solar irradiation 
                         data gaps for ground data acquired at S{\~a}o Martinho da Serra 
                         and Petrolina. INPE will provide access to the data acquired in 
                         both SONDA Network sites.",
          affiliation = "{Universidade Federal de S{\~a}o Paulo (UNIFESP)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Universidade Federal 
                         de S{\~a}o Paulo (UNIFESP)}",
             language = "pt",
                pages = "34",
                  ibi = "8JMKD3MGP3W34T/47NM73L",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/47NM73L",
           targetfile = "Relatorio_Final_PIBIC_2021_2022_Mariane_Souza_Guarachi.pdf",
        urlaccessdate = "11 maio 2024"
}