Predição da radiação solar por meio de modelagem linear (ARX e ARMAX) e modelagem não-linear (Redes Neurais)

Abstract

O conhecimento da radiação solar é de vital importância para caracterizar o clima de uma região. A radiação solar está diretamente ligada aos fenômenos meteorológicos e aos componentes atmosféricos no planeta. Nos últimos anos as redes meteorológicas brasileiras têm introduzido numerosas estações automáticas que permitem monitorar a irradiação solar global em escalas horárias. Historicamente a medição de dados climáticos em larga escala dava suporte às atividades ligadas a aviação e agricultura. Seu uso em aplicações na área de arquitetura ou engenharia passou a receber atenção apenas nos últimos 40 anos. Com o desenvolvimento exponencial da tecnologia, a utilização de ferramentas baseadas em simulação computacional tem tomado espaço nas mais diversas áreas. A necessidade de se ter um bom modelo matemático que possa descrever adequadamente, um processo constitui-se sempre em um desafio, uma vez que o desempenho dos sistemas de controle baseados em modelos irá depender significativamente da precisão alcançada pelo modelo matemático. No projeto de sistemas de controle baseados em modelos preditivos, deve ser possível capturar o comportamento dinâmico do processo ou sistema em condições realísticas e, ainda, buscar encontrar o modelo o mais simples possível visando otimizar os recursos computacionais. No presente trabalho as variáveis de interesse foram as composições de radiação, dada sua importância tanto para agricultura quanto para geração de energia fotovoltaica e solar térmica. Para a simulação, os dados horários de todos os anos foram agrupados em um único arquivo. Deste modo, utilizou-se metade dos dados para criação dos modelos e metade para validação. Durante as simulações, a Radiação Global Horizontal foi definida como entrada e as demais como saída. Vale ressaltar que para cada variável foi realizada uma nova simulação. A utilização da modelagem linear (ARX e ARMAX) para predição de dados de radiação solar mostrou-se eficiente para as composições: Extraterrestre Normal (Erro Quadrático Médio = 2,51%), lnfravermelha (Erro Quadrático Médio 1,40%) e Extraterrestre Horizontal (Erro Quadrático Médio = 7,15%). Na modelagem não-linear (redes neurais), a radiação foi utilizada como entrada e a temperatura como saída da rede. Em termos de intervalos, e mais simples criar pequenos intervalos para uma variável com menor ordem de grandeza, como é o caso da temperatura, uma vez que demanda um volume menor de dados de entrada e saída para classificação. As redes multi/ayer perceptron (MLP) foram aplicadas desempenhando a tarefa de classificação de padrões. Criaram-se duas camadas de rede feed-fon/vard. A primeira camada utilizou a função de transferência tangente hiperbólica e, a segunda camada utilizou a função de transferência linear. A simulação que gerou menor grau de acerto, 74,48%, foi a que utilizou a radiação global horizontal como entrada e 3 neurônios na camada escondida. A que apresentou maior taxa de acerto, 90,32 %, foi a que utilizou radiação infravermelha horizontal como entrada e 2 neurônios na camada escondida. Por fim, pôde-se concluir que a modelagem linear mostrou-se mais eficiente que a não-linear na predição de dados de radiação solar abordados neste trabalho. Sua implementação e mais simples sob ponto de vista computacional e foi suficientemente eficiente para a geração de um banco de dados compatível com o que se desejava, apresentando erros aceitáveis e descrevendo o sistema de forma compatível com o real.

The knowledge of solar radiation is of vital importance to characterize the climate of a region. Solar radiation is directly linked to weather phenomena and atmospheric components on the planet. In recent years Brazilian meteorological networks have introduced numerous automatic stations that allow monitoring of global solar irradiation at hourly scales. Historically large-scale climate data measurement supported aviation and agricultural activities. lts use in applications in the field of architecture or engineering received attention only in the last 40 years. With the exponential development of technology, the use of tools based on computer simulation has taken space in several areas. The need to have a good mathematical model that can adequately describe a process is always a challenge, since the performance of model-based control systems will depend significantly on the accuracy achieved by the mathematical model. In the design of control systems based on predictive model, it should be possible to capture the dynamic behavior of the process or system under realistic conditions and also to find the simplest possible model to optimize computational resources. In the present work the variables of interest were the compositions of radiation, given their importance for both agriculture and for photovoltaic and solar thermal generation. For the simulation, the hourly data of all the years were grouped into a single file. In this way, half of the data was used to create the models and half for validation. During the simulations, Horizontal Global Radiation was defined as input and the others as output. It should be noted that for each variable a new simulation was performed. The use of linear modeling (ARX and ARMAX) to predict solar radiation data was efficient for the compositions: Normal Extraterrestrial (Root-mean-square deviation = 2.51%), Infrared (Root-mean- square deviation = 1.40%) and Horizontal Extraterrestrial = 7.15%). In the nonlinear modeling (neural networks), the radiation was used as input and the temperature as output of the network. In terms of intervals, it is simpler to create small intervals for a variable with a smaller order of magnitude, as is the case of temperature, since it requires a smaller volume of input and output data for classification. The multilayer perceptron (MLP) networks were applied performing the task of pattern classification. Two feed-fon/vard network layers were created. The first layer used the hyperbolic tangent transfer function, and the second layer used the linear transfer function. The simulation that generated the lowest degree of accuracy, 74.48%, was the one that used horizontal global radiation as input and 3 neurons in the hidden layer. The one that presented the highest hit rate, 90.32%, and 2 neurons in the hidden layer was the one that used horizontal infrared radiation as input. Finally, it was concluded that the linear modeling was more efficient than the non-linear model in the prediction of solar radiation data. Its implementation is simpler from a computational point of view and was efficient enough to generate a database compatible with what was wanted, presenting acceptable errors and describing the system in a way compatible with the original.