MÁQUINAS DE VETORES DE SUPORTE (SVM) NA ESTIMATIVA DA FRAÇÃO DIFUSA DA IRRADIAÇÃO SOLAR GLOBAL

Resumen

MÁQUINAS DE VETORES DE SUPORTE (SVM) NA ESTIMATIVA DA FRAÇÃO DIFUSA DA IRRADIAÇÃO SOLAR GLOBAL

EDSON LUIS BASSETTO¹, ALEXANDRE DAL PAI², ADRIANO DE SOUZA MARQUES³

¹ Departamento de Elétrica, Universidade Tecnológica Federal do Paraná (UTFPR) câmpus Cornélio Procópio, avenida: Alberto Carazzai 1640, Cep: 86300-000, Cornélio Procópio, Paraná, Brasil. emial:bassetto@utfpr.edu.br.

² Departamento de Bioprocessos e Biotecnologia, Universidade Estadual Paulista (UNESP) câmpus Botucatu, avenida: Universitária 3780, Cep: 18610-034, Botucatu, São Paulo, Brasil. email:dal.pai@unesp.br

³ Departamento de Informática, Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) câmpus Birigui, rua: Pedro Cavalo 709, Cep: 16201-407, Birigui, São Paulo, Brasil. email:adriano.marques@ifsp.edu.br

RESUMO: A fração difusa (K_d) é a relação entre a irradiação solar difusa (H_d) e a irradiação solar global (H_g) e é um importante parâmetro para se obter medidas de H_d quando dados da H_g são conhecidos, pois permite minimizar a dependência do dia e local das informações ficando dependente somente das condições climáticas da localidade. Este trabalho tem como objetivo utilizar a técnica de Máquina de Vetores de Suporte (SVM) na estimativa da K_d na partição diária. Como entrada para aplicação da técnica são utilizadas informações de variáveis astronômicas, geográficas e meteorológicas. A técnica é comparada com modelo estatístico (ME) que utiliza como variável somente o índice de claridade (K_T). Os dados utilizados são do período de 2000 a 2006. No treinamento da técnica é utilizado um conjunto de combinações de variáveis. Para validação os dados são organizados formando uma base anual denominada de Ano Típico (AT) e de Ano Atípico (AAT) e utilizados para treinamento e elaboração do modelo. O desempenho é avaliado pelo coeficiente de correlação (r) e a raiz quadrada do erro quadrático médio (RMSE). Os resultados mostram uma melhoria no desempenho com o uso da técnica SVM quando as variáveis são inseridas de forma progressiva contribuindo com as estimativas de K_d nas condições utilizadas.

Palavras-chaves: Radiação difusa, Técnicas de aprendizado de máquinas, Método de estimativa.

SUPPORT VECTOR MACHINES (SVM) IN GLOBAL SOLAR IRRADIATION DIFFUSED FRACTION ESTIMATE

ABSTRACT: Diffuse fraction (K_d) is the relationship between diffuse solar irradiation (H_d) and global solar irradiation (H_g) and is an important parameter for obtaining measurements of H_d when data H_g are known because it allows to minimize the day dependence and information place, being dependent only on the locality climatic conditions. This work aims to use the Support Vector Machine (SVM) technique to estimate K_d in the daily partition. As input for the application of the technique was use information of astronomical, geographical and meteorological variables. The technique is compared with a statistical model (ME) that uses only the lightness index (K_T) as a variable. The data used are from 2000 to 2006. The technique training uses a set of combinations of variables. For validation, the data are reorganized into an annual basis called Typical Year (TY) and Atypical Year (AAY) and independent of data for training and model development. Performance is assessed by the correlation coefficient (r) and the square root of the mean square error (RMSE). The results show an improvement in performance using the technique SVM when the variables are entered progressively contributing to the estimates of K_d with the conditions used.

Keywords: Diffuse radiation, Machine learning techniques, Estimation method.