Avaliação do emprego de RNAs para estimativa da irradiância difusa horizontal horária

• Main Author: Souza, Glauber Kiss de
• Other Authors: http://lattes.cnpq.br/9129454582576885
• Language: Portuguese
• Published: Universidade do Vale do Rio dos Sinos 2019
• Subjects: ACCNPQ::Engenharias::Engenharia Mecânica; Radiação solar; Modelos difusos; Redes neurais artificiais; Solar radiation; Diffuse models; Artificial neural networks
• Online Access: http://www.repositorio.jesuita.org.br/handle/UNISINOS/7490

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2019-01-21T15:12:53Z No. of bitstreams: 1 Glauber Kiss de Souza_.pdf: 40241717 bytes, checksum: 3dc0ad681450d2649debe6ae4f8b1ef5 (MD5) === Made available in DSpace on 2019-01-21T15:12:53Z (GMT). No. of bitstreams: 1 Glauber Kiss de Souza_.pdf: 40241717 bytes, checksum: 3dc0ad681450d2649debe6ae4f8b1ef5 (MD5) Previous issue date: 2018-12-04 === CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === A energia solar está, mundialmente, em uma crescente expansão. Apesar de pequena, se comparada a outros meios tradicionais de geração de energia, nunca houve indicadores tão otimistas acerca de sua utilização e popularização. No entanto, mesmo uma energia auto-sustentável como essa acaba tendo impacto ambiental, grande investimento econômico, dificuldade de medição de todas as parcelas da radiação solar e problemas na manutenção adequada das estações solares. Sabendo que a medição ou a estimativa das parcelas da radiação são cruciais para o dimensionamento e estimativa de geração de energia, tanto em grandes plantas de potência por concentração solar como em sistemas de geração fotovoltaica residenciais, o presente trabalho foi idealizado para assegurar que, mesmo em proporções continentais, a obtenção da componente difusa da irradiância, a partir da irradiância global, pode ser realizada de maneira confiável. A utilização de RNAs com generalização geográfica demonstrou melhores resultados em relação a modelos de correlação empíricos, além de serem mais abrangentes do que modelos que utilizam RNAs especializadas a partir de dados locais. Os resultados apresentaram erros RMSEr variando entre 16,00% a 29,57%, contra erros RMSEr de 15,94% a 36,98% em modelos tradicionais empíricos. O presente modelo também apresentou um aumento simultâneo de precisão local e generalização geográfica, algo que modelos anteriores não atingiam, visto que, ao aumentar a especialização e precisão em uma área menor, há um comprometimento ao aplicar o modelo em áreas geográficas distantes e/ou maiores (e vice-versa). Dessa maneira, o presente estudo assegura que pesquisadores poderão utilizar RNAs com precisão e generalização suficientes para realizar pesquisas e estudos diversos que necessitem da parcela difusa e/ou direta da radiação solar, com maior eco-eficiência e custo benefício possíveis, em localidades que não as meçam ou não possuam dados meteorológicos confiáveis. === Worldwide, the solar energy is on a growing expansion. Although small, if compared to other traditional ways of generating useful energy, there have never been such optimistic indicators about its use and popularization. However, even a self-sustainable energy like this have environmental impact, great economic investment, difficulty in the measurement of all types of solar radiation and problems in the proper maintenance of solar monitoring stations. Knowing that the measurement or estimative of all solar radiation types are crucial for the design and estimative of energy generation in both large concentrating solar power plants or in residential photovoltaic power generation systems, the present work was developed to ensure that, even in continental proportions, the horizontal diffuse fraction can be obtained from the total irradiance with great reliability. The use of Artificial Neural Nertorks (ANNs) with geographical generalization showed better results in relation to empirical models, as well as being more comprehensive than models that use specialized ANNs based on local data. The results showed RMSEr errors ranging from 16,00% to 29,57%, against RMSEr errors from 15,94% to 36,98% in traditional empirical models. The present model also showed a improvement in both local precision and geographic generalization, something that previous models didn’t reach, since when increasing the specialization and precision in a smaller area, there’s a significant loss when using the model in distant and/or larger geographic areas (and vice versa). In this way, the present study ensures that researchers can use ANNs with enough precision and generalization to perform different researches and studies that require the diffuse and/or direct types of solar radiation with greater eco-efficiency and cost-effectiveness in locations that don't measure them or don't have reliable meteorological data.