Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/35503
Title in Portuguese: Previsão de irradiação solar através de um modelo de rede neural otimizada com o algoritmo de broyden-fletchergoldfarb-shanno
Author: Fernandes, Jefferson Lemos
Advisor(s): Rocha, Paulo Alexandre Costa
Keywords: Irradiação solar
Redes neurais
Variáveis meteorológicas
Issue Date: 2016
Citation: FERNANDES, J. L. (2016)
Abstract in Portuguese: A energia solar é uma fonte de energia renovável bastante promissora no Brasil, onde o sol é abundante e novas instalações de sistemas a base de energia solar recebem cada vez mais incentivo. A fim de avaliar a viabilidade de um sistema solar, é preciso ter conhecimento das condições de irradiação solar incidente. Entretanto, dados históricos de irradiação solar muitas vezes não estão disponíveis com facilidade. O desenvolvimento de modelos de previsão de irradiação solar incidente em uma superfície a partir de variáveis meteorológicas de mais fácil acesso com algoritmos de inteligência artificial representa uma boa alternativa à falta de dados históricos. Diante disto, foram criados modelos de redes neurais para a previsão de irradiação solar global diária, para a média semanal de irradiação solar global e para a média mensal de irradiação solar global. Para isto, foi utilizado o software de programação R e uma série histórica de dados de temperatura máxima, temperatura mínima, umidade relativa, insolação, irradiação extraterrestre, precipitação total, evaporação e nebulosidade correspondente ao período de 1974 a 1988. A partir dos dados diários, obteveram-se séries com valores médios semanais e mensais. Para cada grupo de dados experimentais, foi possível determinar a quantidade de neurônios na camada oculta da rede neural que minimiza o erro de previsão do modelo ao se analisar o gráfico do erro de previsão dos modelos criados. As redes neurais foram comparadas por meio de seus desempenhos com relação ao erro quadrático médio (RRMSE), erro percentual médio (MAPE) e coeficiente de determinação (R²). Através desta análise, foi demonstrado que o modelo para a previsão da média mensal de irradiação solar global apresenta os melhores resultados.
Abstract: Solar energy is a promissing renewable source of energy in Brazil due to its tropical climate and new solar system installations receive more incentives. In order to evaluate the viability of a solar system, it is important to have access to knowledge about solar radiation conditions throughout the year. However, solar radiation data is not always available. Therefore, the development of solar radiation prediction models based on meteorological variables available is a good alternative to the absence of solar radiation data. In this work a neural network algorithm was developed in order to create and evaluate solar radiation prediction models using meteorological data as inputs. The algorithm is developed using the R free software and maximum temperature, minimum temprature, relative humidity, sunsine hours, extraterrestrial radiation, total preciptation, evaporation, wind speed and cloudiness data from 1974 to 1988. From daily data, a weekly and a monthly series were generated. A neural network was trained on each one of these groups in order to find the best neural network architecture in each case. The neural networks were compared using root mean squared error (RMSE), mean percentage error (MAPE) and coeficient of determination (R²).The analisys shows that the model created for monthly average solar radiation prediction presents the best results.
Description: VASCONCELOS, Jefferson Lemos. Previsão de irradiação solar através de um modelo de rede neural otimizada com o algoritmo de broyden-fletchergoldfarb-shanno. 2016. 53 f. Monografia (Graduação em Engenharia Mecânica)-Universidade Federal do Ceará, Fortaleza, 2016.
URI: http://www.repositorio.ufc.br/handle/riufc/35503
metadata.dc.type: TCC
Appears in Collections:ENGENHARIA MECÂNICA - Monografias

Files in This Item:
File Description SizeFormat 
2016_tcc_jlfernandes.pdf2,33 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.