%0 Thesis
%@holdercode {isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
%@nexthigherunit 8JMKD3MGPCW/3F35TRS
%@usergroup administrator
%@usergroup ivone@sid.inpe.br
%@usergroup jefferson
%@usergroup simone
%@usergroup yolanda.souza@mcti.gov.br
%3 publicacao.pdf
%@secondarytype TDI
%2 sid.inpe.br/MTC-m13@80/2006/05.30.18.50.03
%A Guarnieri, Ricardo André,
%P 171
%@dissemination NTRSNASA; BNDEPOSITOLEGAL.
%@secondarydate 20061023
%@group MET-SPG-INPE-MCT-BR
%K previsão de tempo, radiação solar, energia solar, redes neurais artificiais, análise estatística multivariada, weather forecasting, solar radiation, solar energy, neural nets, multivariate statistical analysis.
%@documentstage not transferred
%J Artificial neural networks and multiple linear regressions applied to refining the solar radiation forecast provided by the Eta model
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%@secondarykey INPE-14172-TDI/1089
%@copyholder SID/SCD
%9 Dissertação (Mestrado em Meteorologia)
%@area MET
%8 2006-04-12
%X A pesquisa abordada nesta dissertação teve como objetivo o desenvolvimento e avaliação de uma metodologia de previsão de irradiação solar incidente, voltada ao setor de geração e distribuição de energia, constituindo assim, uma pesquisa de meteorologia aplicada. O trabalho desenvolvido consiste no refinamento da previsão numérica de tempo produzida pelo modelo Eta/CPTEC, visando reduzir as incertezas associadas à previsão de radiação solar deste modelo. As variáveis de saída do modelo Eta, representando as condições atmosféricas previstas, foram empregadas como preditores em modelos de Redes Neurais Artificiais (RNAs) e Regressões Lineares Múltiplas (RLMs), ajustados para calcular a radiação solar incidente para duas localidades onde se situam estações do projeto SONDA: Florianópolis-SC (FLN) e São Martinho da Serra-RS (SMS). As medidas de radiação solar global realizadas nestes locais foram utilizadas na seleção de preditores, no treinamento de RNAs, no ajuste de RLMs e para avaliação das previsões. Foram utilizados dados de janeiro/2002 a outubro/2005 para FLN e de julho/2004 a outubro/2005 para SMS. Diversos conjuntos de preditores, constituídos com base em considerações físicas e estatísticas, foram testados no ajuste e simulação de modelos RNA e RLM. Parâmetros de avaliação de erros, determinados frente aos dados observacionais de cada estação de medida, foram calculados para cada previsão, a cada teste, permitindo a comparação de RNAs e RLMs entre si, e com a previsão de radiação solar diretamente determinada pelo modelo Eta. Visando maximizar o ganho de desempenho sobre o modelo Eta e minimizar o número de variáveis, encontrou-se um grupo de oito preditores, com o qual análises mais aprofundadas foram realizadas, incluindo avaliação de desempenho em cada estação do ano e avaliação de previsões com maiores antecedências. Para todos os conjuntos de preditores testados, erros de previsão muito semelhantes para RNAs e RLMs foram observados, indicando, portanto, não haver diferenças significativas de desempenho entre os dois métodos. Ambos os métodos, ao empregar o grupo de oito preditores, promoveram redução do viés e do RMSE em comparação com a previsão de radiação solar do modelo Eta. Confrontando previsões de irradiação solar integradas de 12:00UT a 18:00UT de cada dia, verificou-se que, enquanto o modelo Eta apresenta valores de viés superiores a 25%, os métodos RNA e RLM conduzem a valores de viés inferiores a 2%. Em termos de RMSE relativo, as previsões do modelo Eta produzem erros maiores que 40%, enquanto os métodos RNA e RLM apresentam erros entre 26 e 28%. A avaliação do Skill em termos do RMSE, aponta para ganhos superiores a 30% das novas previsões sobre as previsões do modelo Eta. Esta elevação de desempenho através do refinamento também é verificada nos coeficientes de correlação: 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: Florianópolis (FLN) and São 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.
%@project MET-SPG-INPE-MCT-BR
%E Sansigolo, Clóvis Angeli (presidente),
%E Pereira, Enio Bueno (orientador),
%E Martins, Fernando Ramos,
%E Chan, Chou Sin,
%E Rüther, Ricardo,
%T Emprego de redes neurais artificiais e regressão linear múltipla no refinamento das previsões de radiação solar do modelo Eta
%4 sid.inpe.br/MTC-m13@80/2006/05.30.18.50
%D 2006
%C São José dos Campos