Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/57056
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorMarinho, Felipe Pinto-
dc.contributor.authorRocha, Paulo Alexandre Costa-
dc.contributor.authorSilva, Maria Eugênia Vieira da-
dc.contributor.authorLima, Ricardo José Pontes-
dc.contributor.authorAmorim Neto, Juarez Pompeu de-
dc.date.accessioned2021-03-10T14:17:11Z-
dc.date.available2021-03-10T14:17:11Z-
dc.date.issued2020-
dc.identifier.citationMARINHO, Felipe Pinto; ROCHA, Paulo Alexandre Costa; SILVA, Maria Eugênia Vieira da; LIMA, Ricardo José Pontes; AMORIM NETO, Juarez Pompeu de. Resultados preliminares de previsão de irradiação solar de curto prazo através da combinação de processamento de imagens com algoritmos de aprendizagem de máquina. In: CONGRESSO BRASILEIRO DE ENERGIA SOLAR, VIII, 01 a 05 jun. 2020, Fortaleza, Ceará, Brasil. Anais[...] Fortaleza, Ceará, 2020. Tema: “Radiação Solar - Recursos Solares e Meteorologia da Radiação Solar”pt_BR
dc.identifier.isbn978-65-993338-0-4-
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/57056-
dc.language.isopt_BRpt_BR
dc.subjectEnergia solarpt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectMeteorologia da radiação solarpt_BR
dc.titleResultados preliminares de previsão de irradiação solar de curto prazo através da combinação de processamento de imagens com algoritmos de aprendizagem de máquinapt_BR
dc.typeArtigo de Eventopt_BR
dc.description.abstract-ptbrPrevisões de irradiação solar global de curto prazo no horizonte de previsão de 30 minutos a posteriori foram obtidas por meio da aplicação de algoritmos de aprendizagem de máquina em conjuntos de dados constituídos por sinais coletados por sensores de resistência dependente da luz e descritores estatísticos (média, desvio padrão e entropia de Shannon) extraídosde imagens do céu capturadas por uma câmera.A integração de tais sensores é feita por meio do Raspberry Pi 3, um computador que tem o tamanho de um cartão usado principalmente em projetos de programação, robótica e em iniciativas em geral com software e hardware livre. Desta forma, foi possível avaliar se a adição de preditores obtidos de imagens do céu proporcionam melhorias no desempenho dos modelos de aprendizagem de máquina utilizados, a saber: Árvore de decisão com um procedimento de Bagging, Florestas Aleatóriase K-Vizinhos Mais Próximos. Além disso, também foi avaliado se o uso dos filtros de suavização da mediana e o de aguçamento do laplaciano da gaussiana nas imagens ocasiona melhoras no desempenho relativo ao caso em que se obtémos descritoresestatísticos das imagens sem a aplicação de nenhum filtro. A acurácia dos métodos é determinada pelo cálculo das métricas de erro Erro Médio Absoluto, Raiz do Erro Quadrático Médio, Raiz do Erro Quadrático Médio Relativo e a Habilidade de Previsão. A média aritmética da Raiz do Erro Quadrático Médio para os modelos quando se considerou como atributos apenas o valores fornecidos pelos sensores de luminosidade foi de 165,49 W/m², já para o caso em que se adiciona informaçõesdas imagens não filtradas obteve-se 154,01W/m², para o caso de se adicionar informações de imagens filtradas pelo filtro da mediana teve-se um valor de 153,69W/m², por fim, para o outro filtro obteve-se 162,24W/m².pt_BR
Aparece nas coleções:DEME - Trabalhos apresentados em eventos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2020_eve_fpmarinho.pdf537,67 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.