@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"
}