Original Article - Open Access.

Idioma principal | Segundo idioma

COMPARATIVO ENTRE REDES NEURAIS, GERANDO PREVISÕES PARA RADIAÇÃO SOLAR GLOBAL E TEMPERATURA DO AR

COMPARATIVE BETWEEN NEURAL NETWORKS GENERATE PREDICTIONS FOR GLOBAL SOLAR RADIATION AND AIR TEMPERATURE

Duarte, Lucas Calil Barbosa ; Paixão, Moisés Araújo da ; Bastos, Luis Felipe da Fé ; Conterato, Flávio Santos ;

Original Article:

A tecnologia vêm se tornando uma ferramenta cada vez mais indispensável no cotidiano, com isso foram desenvolvidas várias formas de energias, que precisam tornar-se renováveis, pensando nas gerações futuras. Com o passar do tempo é necessário aprimorar essa tecnologia para que esta se torne mais avançada e eficiente. Esta pesquisa visou comparar os resultados de três algoritmos, de redes neurais distintas, para gerar previsões em duas horas, utilizando o banco de dados do Instituto Nacional de Meteorologia (INMET). Os resultados indicam que a rede K-Nearest Neighbors Regression é mais eficiente para estimar Radiação Solar Global (W/m²) e Multi Layer Perceptron para Temperatura do Ar - Bulbo-Seco (ºC).

Original Article:

Technology is becoming an increasingly important and indispensable tool in human life, making it necessary to develop various forms of renewable energies. However, over time it became necessary to improve this technology so that it becomes more advanced and efficient. The purpose of the research is to compare the results of three distinct neural networks, to forecast in two hours, using the database available by the Instituto Nacional de Meteorologia (INMET). The results indicate that the K-Nearest Neighbors Regression network proved to be more effective for estimating Global Solar Radiation (W/m²) and Multi-LayerPerceptron for forecasting Air Temperature (ºC).

Palavras-chave: MLP; KNN; SVR; Energias renováveis; Energia Solar,

Palavras-chave: MLP; KNN; SVR; Renewable Energy; Solar Energy,

DOI: 10.5151/siintec2021-208830

Referências bibliográficas
  • [1] "1 CONTERATO, Flávio, et al. ANÁLISE DO POTENCIAL DE ENERGIA SOLAR NO ESTADO DA BAHIA USANDO UMA MODELAGEM COMPUTACIONAL. VI International Symposium on Innovation and Technology, [s. l.], 2019. Available in: http://pdf.blucher.com.br.s3-sa-east-amazonaws.com/engineeringproceedings/siintec2019/70.pdf. Accessed in: 2021 aug. 16.
  • [2] 2 GONÇALVES, Frederico. Inteligência Artificial impulsiona fontes de energia renováveis. In: GONÇALVES, Frederico. Inteligência Artificial impulsiona fontes de energia renováveis. [S. l.], 1 jul. 2019. Available in: https://venturus.org.br/inteligencia-artificial-impulsiona-fontes-de-energia-renovaveis/. Accessed in: 2021 aug.
  • [3] 3 APLICABILIDADE DE REDES NEURAIS ARTIFICIAIS PARA ANÁLISE DE GERAÇÃO DE ENERGIA DE UM SISTEMA FOTOVOLTAICO CONECTADO A REDE ELÉTRICA. Revista Brasileira de Energias Renováveis, [S. l.], ano 2017, v. 6, n. 5, p. 14-15, DOI http://dx.doi.org/10.5380/rber.v6i5.48431. Accessed In: 2021 aug. 17.
  • [4] 4 Instituto Nacional de Meteorologia (INMET). Brasil, 2021. Available in: https://portal.inmet.gov.br. Accessed in: 2021 aug. 20. ⁵FIGURE 1. Perceptron Example. Production: Developed by JavaTpoint. [S. l.: s. n.], 2011 - 2021. Available in: https://www.javatpoint.com/single-layer-perceptron-in-tensorflow. Accessed in: 20 aug. 2021.
  • [5] 5 FIGURE 2. KNN example. Production: scikit-learn developers (BSD License). [S. l.: s. n.], 2007 - 2020. Available in: https://scikit-learn.org/stable/auto_examples/neighbors/plot_regression.html#sphx-glr-auto-examples-neighbors-plot-regression-py. Accessed in: 20 aug. 2021.
  • [6] 6 FIGURE 3. SVR Example. Production: scikit-learn developers (BSD License). [S. l.: s. n.], 2010 - 201 Available in: https://scikit-learn.org/0.18/auto_examples/svm/plot_svm_regression.html. Accessed in: 20 aug. 2021."
Como citar:

Duarte, Lucas Calil Barbosa; Paixão, Moisés Araújo da; Bastos, Luis Felipe da Fé; Conterato, Flávio Santos; "COMPARATIVO ENTRE REDES NEURAIS, GERANDO PREVISÕES PARA RADIAÇÃO SOLAR GLOBAL E TEMPERATURA DO AR", p. 569-576 . In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.
ISSN 2357-7592, DOI 10.5151/siintec2021-208830

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações