Upload
antoniocarlosjr
View
5
Download
1
Embed Size (px)
Citation preview
PREVISO DA RADIAO GLOBAL HORIZONTAL E ILUMINNCIA UTILIZANDO REDES NEURAIS
ARTIFICIAIS
Trabalho de Concluso de Curso
Engenharia da Computao
Rafael Lopes Mendona Orientador: Prof. Dr. Muser Jorge Silva Valena Coorientador: Prof. Dr. Francisco Jaime Bezerra Mendona
Rafael Lopes Mendona ii
Universidade de Pernambuco Escola Politcnica de Pernambuco
Graduao em Engenharia de Computao
RAFAEL LOPES MENDONA
PREVISO DA RADIAO GLOBAL HORIZONTAL E ILUMINNCIA UTILIZANDO REDES NEURAIS
ARTIFICIAIS
Monografia apresentada como requisito parcial para obteno do diploma de Bacharel em Engenharia de Computao pela Escola Politcnica de Pernambuco
Universidade de Pernambuco.
Recife, dezembro de 2014.
iii
Rafael Lopes Mendona iv
Dedico este trabalho minha famlia, em especial a minha me Maria Genisete e ao meu pai Jaime Mendona, e todos aqueles que fizeram e fazem parte da minha
trajetria.
v
Agradecimentos
Agradeo a Deus por me dar cada segundo da minha vida.
Agradeo todo o apoio e dedicao incondicional que recebi, em toda minha
vida, dos meus pais. Que sempre me incentivaram a seguir minha carreira
acadmica e desejam que eu siga em frente para atingir degraus ainda mais altos. E
eles, sem dvidas, foram fundamentais para que eu conseguisse ingressar em duas
Universidades pblicas. S tenho que agradecer aos meus pais e nunca esquecer
dos ensinamentos que eles me deram.
Apesar de ter estudado grande parte da minha vida escolar para as cincias
humanas, decidi no ano do vestibular fazer Engenharia. Para mim uma grande
felicidade poder estar concluindo a minha graduao, no curso de Engenharia da
Computao.
Tenho muito que agradecer tambm aos meus amigos de Universidade, sem
os quais estes 6 anos de graduao, com certeza, no seriam to bem aproveitados
academicamente, profissionalmente e pessoalmente.
Em particular agradeo tambm aos meus irmos que servem de exemplos
para que eu trilhe o meu caminho to bem quanto os deles. Ao meu padrinho que
me incentivou desde a infncia a estudar informtica, me oferecendo cursos e
inclusive sendo meu professor em um deles.
Agradeo a todos que de alguma forma me ajudaram a seguir em frente para
que eu no desistisse dos meus objetivos, e principalmente no deixasse de sonhar
e acreditar na minha capacidade em torn-los realidade.
Rafael Lopes Mendona vi
Resumo
Devido ao crescimento industrial, a obteno de recursos energticos se
tornou um dos grandes problemas econmicos e ambientais. Para aliar o
desenvolvimento a preservao, necessrio o incentivo a fontes de energia
renovveis que causem o menor impacto ambiental. O Brasil possui um grande
potencial para a obteno da energia solar ainda pouco explorado, principalmente
na regio Nordeste. At o ano de 2013, a energia solar no pas no possua preo
de referncia, j que o seu uso se restringe ainda, pesquisa e a sistemas
residenciais isolados. Como incentivo aos produtores de energia, o estado de
Pernambuco realizou o primeiro leilo de energia solar em dezembro de 2013. O
prprio estado comprou um volume de energia correspondente a 18% do total
consumido pelo governo. O uso de RNAs (Redes Neurais Artificiais) para prever as
variveis radiomtricas e meteorolgicas pode auxiliar a obteno de um maior
aproveitamento dessa fonte de energia. Sendo assim este trabalho tem como
objetivo utilizar RNAs para prever a radiao global horizontal e a iluminncia na
estao solarimtica e anemomtica da rede SONDA (Sistema de Organizaao
Nacional de Dados Ambientais) em Petrolina, Pernambuco. As RNAs utilizadas so
a Radial Basis Function Network (RBFN) e a Multi-Layer Perceptron (MLP), as quais
iro prever a radiao global horizontal e a iluminncia futura a partir dos valores
anteriores. Os resultados obtidos sero comparados com o modelo de Persistncia
para analisar qual das redes apresentou o melhor desempenho.
Palavras-Chave: Previso da radiao global horizontal e iluminncia, RBFN, MLP,
energia solar
vii
Abstract
Due to the industrial growth, to obtain energy resources has become a major
economic and environmental problems. To ally the development with the
preservation is necessary to encourage renewable energy sources that cause the
least environmental impact. Brazil has a large solar potential still unexplored,
especially in the Northeast. By the year 2013 the solar energy in the country did not
have a reference price, since its use is restricted to research and isolated residential
systems. As an incentive for energy producers, the state of Pernambuco held the first
auction of solar power on December 2013. Pernambuco bought an amount of energy
that corresponds 18% of the total consumed by the government. The use of ANNs
(Artificial Neural Networks) to provide radiometric and meteorological variables can
help to achieve a better use of this energy source. Thus, this work aims to use ANN
to predict the global horizontal radiation and the illuminance in the solarimetric and
anemometer station of SONDA network (National Organization System of
Environmental Data - Sistema de Organizao Nacional de Dados Ambientais in
portuguese) in Petrolina, Pernambuco. The ANNs used are Radial Basis Function
Network (RBFN) and Multilayer Perceptron (MLP) and both will predict the future
global horizontal radiation and illumiance from previous values. The results will be
compared with the Persistence model to analyze which of the networks has the best
performance.
Keywords: Prediction of global horizontal radiation and illuminance, RBFN, MLP,
solar energy
Rafael Lopes Mendona viii
Sumrio
Captulo 1 Introduo 1
1.1 Motivao 1
1.2 Objetivos 2
1.1.1 Objetivo geral 2
1.1.2 Objetivos especficos 2
1.3 Estrutura da monografia 2
Captulo 2 Fundamentao Terica 4
2.1 Energia Solar 4
2.1.1 Iluminncia 5
2.1.2 Radiao global horizontal 7
2.1.3 Energia Solar no Brasil 9
2.1.4 Projeto SONDA 9
2.2 Redes Neurais 11
2.2.1 Multi-Layer Perceptron 14
2.2.2 Algoritmo Backpropagation 15
2.2.3 Critrio de parada 17
2.2.4 Radial Basis Function Network 18
2.2.4.1 Estrutura da Rede RBFN 19
2.2.4.2 Treinamento da Rede RBFN 20
2.2.5 Modelo de Persistncia 20
Captulo 3 Metodolgia 22
3.1 Aquisio e Tratamento dos Dados 22
3.2 Simulao com a MLP 24
ix
3.2.1 Simulaes com a MLP para radiao 26
3.2.1 Simulaes com a MLP para iluminncia 27
3.3 Simulao com a RBFN 29
3.4 Anlise Estatstica 31
3.4.1 Teste Shapiro-Wilk 32
3.4.2 Teste F 32
3.4.3 Teste T-Student 33
3.4.4 Teste da soma dos Postos de Wilcoxon 34
Captulo 4 Resultados 35
4.1 Resultados da Radiao Global Horizontal 35
4.2 Resultados da Iluminncia 37
4.2.1 Determinar a melhor configurao para a rede MLP 37
4.2.2 Comparao entre as redes neurais utilizadas 40
Captulo 5 Concluso e Trabalhos Futuros 42
5.1 Concluses 42
5.2 Trabalhos Futuros 43
Bibliografia 44
Apndice A 46
Estudo da Quantidade de Neurnios na Camada Escondida e
Topologias MLP Para Dados de Iluminncia 46
Rafael Lopes Mendona x
ndice de Figuras
Figura 1. Sensibilidade mdia do olho humano para diferentes comprimentos de
onda. 6
Figura 2. Mapa com a mdia anual do total dirio de radiao solar global
incidente no Brasil ................................................................................................. 8
Figura 3. Distribuio das estaes da rede SONDA no territrio brasileiro .......... 10
Figura 4. Variveis medidas pelas estaes do projeto SONDA ............................ 11
Figura 5. Ilustrao do neurnio biolgico e do neurnio artificial .......................... 12
Figura 6. Arquitetura MLP com quatro camadas .................................................... 15
Figura 7. Ponto de parada do treinamento da rede utilizando validao cruzada. . 18
Figura 8. Topologia da rede RBFN. ........................................................................ 19
Figura 9. Estudo do EMQ por nmero de neurnios na camada escondida para
e . ............................................................................................. 28
Figura 10. Topologia para a configurao da MLP com e . ......... 28
Figura 11. Estudo do spread e da quantidade de neurnios na camada escondida
para os dados de iluminncia. ............................................................................. 30
Figura 12. Estudo do EMQ para as 48 configuraes utilizadas na MLP com os
dados de radiao global horizontal. ................................................................... 36
Figura 13. Estudo do EMQ por nmero de neurnios na camada escondida para
e . ............................................................................................. 46
Figura 14. Topologia para a configurao da MLP com e . ......... 47
Figura 15. Estudo do EMQ por nmero de neurnios na camada escondida para
e . ............................................................................................. 47
Figura 16. Topologia para a configurao da MLP com e . ......... 47
Figura 17. Estudo do EMQ por nmero de neurnios na camada escondida para
e . ............................................................................................. 47
Figura 18. Topologia para a configurao da MLP com e . ......... 47
file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452916file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452916file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452917file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452917file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452918file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452919file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452920file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452921file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452922file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452923file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452924file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452924file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452925file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452926file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452926file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452927file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452927file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452928file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452928file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452929file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452930file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452930file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452931file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452932file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452932file:///E:/monografia-Rafael%20Lopes%20Mendonca_Corrigida_final.docx%23_Toc406452933
xi
ndice de Tabelas
Tabela 1. Iluminncias por classe de tarefas visuais ................................................ 6
Tabela 2. Estudo de correlao linear das variveis de radiao global horizontal e
iluminncia em tempos anteriores ....................................................................... 24
Tabela 3. EMQs mdios obtidos pela simulao dos dados de radiao na MLP .. 26
Tabela 4. Teste Shapiro-Wilk para as configuraes utilizadas na MLP com os
dados de radiao ............................................................................................... 36
Tabela 5. Teste Wilcoxon para as configuraes utilizadas na MLP com os dados
de radiao .......................................................................................................... 37
Tabela 6. Teste Shapiro-Wilk para as configuraes utilizadas na MLP com os
dados de iluminncia ........................................................................................... 38
Tabela 7. Teste F para as configuraes utilizadas na MLP com os dados de
iluminncia .......................................................................................................... 38
Tabela 8. Teste Wilcoxon para as configuraes utilizadas na MLP com os dados
de iluminncia ..................................................................................................... 39
Tabela 9. Teste Shapiro-Wilk para as redes neurais MLP e RBFN utilizando os
dados de iluminncia ........................................................................................... 40
Tabela 10. Teste Wilcoxon para as redes neurais MLP e RBFN utilizando os
dados de iluminncia ........................................................................................... 40
Rafael Lopes Mendona xii
Tabela de Smbolos e Siglas
ABNT Associao Brasileira de Normas Tcnicas
BSRN baseline Surface Radiation Network
CPTEC Centro de Previso do Tempo e Estudos Climticos
EMQ Erro Mdio Quadrtico
IDE Integrated Development Environment (Ambiente integrado de
desenvolvimento)
INPE Instituto Nacional de Pesquisas Espaciais
Matlab Matrix laboratory
MLP Multi-Layer Perceptron
NBR Norma Brasileira
PPG-EC Programa de Ps-Graduao stricto sensu em Engenhraria de
Computao
RNAs Redes Neurais Artificiais
RNA Rede Neural Artificial
RBFN Radial Basis Neural Network
SONDA Sistema de Organizao Nacional de Dados Ambientais
Captulo 1 Introduo
Rafael Lopes Mendona 1
Captulo 1
Introduo
Este captulo aborda a motivao e os objetivos deste trabalho, alm da
estrutura organizacional dos contedos a serem discutidos.
1.1 Motivao
Cada vez mais a conscincia ecolgica e a preocupao com o meio
ambiente vem aumentando, sendo um dos temas mais recorrentes da sociedade
moderna. Nesse sentido, a busca por fontes energticas renovveis e que causem o
menor impacto no meio ambiente tem sido essencial para a garantia de um futuro
melhor.
A disponibilidade e o uso da energia se relaciona diretamente com o
desenvolvimento da sociedade e da nao [1]. Dessa forma, para que haja
desenvolvimento econmico necessrio um maior consumo de energia e para aliar
o desenvolvimento a preservao do meio ambiente necessrio recorrer a fontes
que no sejam combustveis fsseis ou no renovveis de forma geral.
O Brasil hoje possui como matriz energtica a energia proveniente de usinas
hidroeltricas, alm de parques elicos e estaes de energia solar. Porm essas
ltimas fontes de energia ainda so pontuais e no representam uma parcela
significativa da produo energtica do pas. O incentivo pesquisa nas reas de
previso de recursos energticos elicos e solar tem sido aliados no
desenvolvimento de projetos pelo pas. Tais pesquisas fornecem dados que
permitem o aproveitamento desses recursos ainda pouco explorados [2].
Agindo dessa forma o Brasil deixar de ser dependente de uma nica fonte
de energia e assim no sofrer em perodos de estiagem, como tem acontecido
neste ano de 2014, na regio Sudeste do pas.
A produo de energia solar cresce 50% ao ano no mundo, mas ainda
representa cerca de 1% da matriz energtica mundial, e no Brasil representa apenas
0,01% do total. As dificuldades para o uso da energia solar ainda est no custo para
Captulo 1 Introduo
Rafael Lopes Mendona 2
a captao da energia por meio das clulas fotovoltaicas e a previso da
disponibilidade dos recursos energticos solares da regio onde ser instalada a
estao [6].
1.2 Objetivos
1.1.1 Objetivo geral
Este trabalho tem como objetivo geral realizar a configurao de RNAs
(Redes Neurais Artificiais) com arquiteturas MLP (Multi-Layer Perceprton) e RBFN
(Radial Basis Neural Network) para prever a radiao global horizontal e a
iluminncia na estao solarimtica e anemomtica da cidade de Petrolina,
Pernambuco. A previso tem como base valores anteriores de radiao global
horizontal e de iluminncia da mesma estao. A avaliao dos resultados obtidos
realizada atravs da comparao entre ambas arquiteturas e com os resultados
obtidos pelo Modelo de Persistncia.
1.1.2 Objetivos especficos
1. Tratar os dados de entrada;
2. Normalizar os dados de entrada;
3. Realizar diferentes combinaes dos parmetros das arquiteturas MLP e
RBFN para obter o melhor resultado;
4. Validar os resultados obtidos;
5. Comparar os resultados das arquiteturas entre si e com o Modelo de
Persistncia.
1.3 Estrutura da monografia
Este trabalho est dividido em 5 captulos: Introduo, Fundamentao
Terica, Metodologia, Anlise dos Resultados e Consideraes Finais. O captulo 2,
Fundamentao Terica, descreve os conceitos necessrios para o entendimento
deste trabalho, energia solar e redes neurais artificiais, com destaque para as
arquiteturas MLP e RBFN.
Captulo 1 Introduo
Rafael Lopes Mendona 3
O captulo 3, Metodologia, descreve os procedimentos utilizados para a
realizao deste trabalho, desde a coleta e tratamento dos dados at a anlise
estatstica.
O captulo 4, Anlise dos Resultados, apresenta os resultados obtidos aps
as simulaes e as comparaes entre as arquiteturas e o Modelo de Persistncia.
Por fim, no captulo 5, de Consideraes Finais, so apresentados todos os
resultados obtidos, concluses e propostas para trabalhos futuro.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 4
Captulo 2
Fundamentao Terica
Este captulo apresenta uma breve explicao dos assuntos necessrios para
o entendimento do trabalho proposto.
2.1 Energia Solar
Existem trs principais meios de transformao da energia solar em energia:
Sistema Solar Trmico, Sistema Solar Fotovoltaico e o Sistema Termossolar.
A energia solar trmica captada por painis solares trmicos, denominados
coletores solares. Estes so os sistemas mais simples e econmicos os quais so
utilizados para o aquecimento da gua, de ambientes ou de processos industriais.
Esses painis so simples e sua funo transferir o calor da radiao solar para a
gua ou leo que esto armazenados no seu interior, os quais sero utilizados como
fonte de calor.
A energia solar fotovoltaica captada por sistemas capazes de gerar energia
eltrica atravs das clulas fotovoltaicas, as quais so distribudas em mdulos ou
painis solares fotovoltaicos. Estes sistemas so capazes de transformar a radiao
solar diretamente em energia eltrica atravs do efeito fotovoltaico, presente em
alguns materiais, sendo o silcio o mais usado.
A energia termosolar ou energia solar concentrada captada atravs de
sistemas que inicialmente produzem calor utilizando conjuntos de espelhos, ou
concentradores, que tem como objetivo concentrar a radiao solar e transformar o
calor em energia eltrica. Essa forma um tipo de energia solar trmica com o
objetivo principal de gerar energia eltrica. Esta a maneira menos utilizada para
explorar a energia solar, devido ao alto custo e complexidade.
Fazendo uma comparao dos sistemas supracitados, a energia solar trmica
a mais eficiente e mais econmica, porm restrita energia trmica, ou seja, no
produz energia eltrica. A energia fotovoltaica a mais utilizada, inclusive em
satlites, pois a mais confivel e a mais verstil das trs. No entanto, ainda
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 5
apresenta um alto custo de implantao e dificuldades em armazenar a energia
eltrica produzida. J a energia solar concentrada indicada para grandes
instalaes devido ao alto custo de implantao. [11]
Alm da produo de energia eltrica, a energia solar pode ser utilizada para
a reduo do consumo desta atravs do uso da iluminao natural. Pesquisas
mostram que 20 a 30% do consumo de energia eltrica em estabelecimentos
comerciais so decorrentes do uso da iluminao artificial. [10]
Para que o uso da iluminao natural reduza o consumo da energia eltrica
necessrio o conhecimento da iluminncia da regio e que os projetos arquitetnicos
sejam baseados nestes dados. Atravs do estudo da iluminncia esses projetos
precisam determinar o melhor posicionamento e dimensionamento das janelas, para
que se obtenha um sistema de iluminao natural eficiente e que este no
prejudique o sistema de refrigerao do local.
2.1.1 Iluminncia
A iluminncia ou iluminamento est relacionada quantidade de luz visvel,
ou seja, que o olho humano capaz de perceber. Sendo a iluminncia a relao
entre o fluxo luminoso, que a potncia luminosa total irradiada por uma fonte de
luz, e a superfcie sobre a qual este fluxo incide [5]. A unidade de medida da
iluminncia o lux (lx), a relao de um fluxo luminoso de 1 lmen, gerado por
uma fonte de luz pontiforme, que incide em uma rea de .
O olho humano possui dois tipos de clulas sensveis luz, que so os
bastonetes e os cones. O primeiro detecta os nveis de luminosidade e
responsvel pela viso noturna, viso denominada escotpica. O segundo, os
cones, fornecem a capacidade de percepo das cores e so responsveis pela
viso diurna, viso denominada fototpica. A sensibilidade do olho humano est
diretamente relacionada variao do comprimento de onda. Ele capaz de
perceber apenas uma faixa do espectro eletromagntico, que compreende o
intervalo de comprimento de onda entre e nanmetros, tendo como valor
mximo para comprimentos de onda prximos a para os bastonetes, e
para os cones.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 6
Na figura 1 est representada a sensibilidade do olho humano desde altos
nveis de iluminncia, viso fotpica, at baixos nveis de iluminncia, viso
escotpica.
De acordo com a Norma Brasileira (NBR) 5413, da Associao Brasileira de
Normas Tcnicas (ABNT), para cada tipo de ambiente deve ser fornecido um
determinado nvel de iluminncia ideal, que est relacionado ao tipo de atividade
realizada no local. A seguir na Tabela 1 esto representados os nveis de
iluminncia e o tipo de ambiente que este nvel est relacionado.
Tabela 1. Iluminncias por classe de tarefas visuais
[Fonte: Retirada do site: http://www.labcon.ufsc.br/anexos/13.pdf]
Iluminncia (lux) TIPO DE AMBIENTE/ATIVIDADE
CLASSE A (reas de uso
contnuo e/ou execuo de
tarefas simples)
20 30 50 reas pblicas com arredores escuros
50 75 100 Orientao simples para permanncia curta
100 150 200 Recintos no usados para trabalho contnuo; depsitos
Sensibilidade mdia do olho humano para diferentes comprimentos de
onda.
[Fonte: [5] ]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 7
CLASSE B (reas de trabalho
em geral)
200 300 500 Tarefas com requisitos visuais limitados, trabalho bruto
de maquinaria, auditrio
500 750 1.000 Tarefas com requisitos visuais normais, trabalho mdio
de maquinaria, escritrios
1.000 1.500 2.000 Tarefas com requisitos especiais: gravao manual,
inspeo, indstrias de roupas
CLASSE C (reas dom tarefas
visuais minuciosas)
2.000 3.000 5.000 Tarefas visuais exatas e prolongadas, eletrnica de
tamanho pequeno
5.000 7.500 10.000 Tarefas visuais muito exatas, montagem de
microeletrnica
10.000 15.000 20.000 Tarefas visuais muito especiais, cirurgia
2.1.2 Radiao global horizontal
A radiao representa a energia disponvel aos processos fsicos e biolgicos
que ocorrem na superfcie terrestre. a diferena entre os fluxos totais da radiao
incidente e a emitida e/ou refletida pela superfcie medida, normalmente em plano
horizontal. Durante o dia o saldo de radiao em uma superfcie qualquer tende a
ser positivo, pois representa o perodo de brilho solar no qual os fluxos incidentes,
global e atmosfrico so superiores s fraes refletidas e/ou emitidas. Da mesma
forma, durante noite normalmente o saldo de radiao negativo, j que o fluxo
incidente passa a ser apenas atmosfrico e a energia emitida pela superfcie
superior a este, gerando um saldo de radiao negativo. [6][11]
Apesar do territrio brasileiro possuir regies com caractersticas climticas
distintas, a mdia anual da radiao global distribuda com uniformidade no pas,
apresentando mdias anuais relativamente altas. O valor mdio mximo de 6,5
registrado no norte do estado da Bahia, regio de clima semi-rido com
baixa precipitao ao longo do ano e com a menor mdia anual de cobertura de
nuvens do Brasil. J a menor mdia anual de radiao solar global, 4,5
registrada no litoral norte de Santa Catarina, regio que possui chuvas bem
distribudas ao longo do ano. Os valores de radiao solar global incidente em
qualquer regio do territrio brasileiro so superiores aos da maioria dos pases da
Unio Europia, como Alemanha, Frana e Espanha, onde projetos de
aproveitamento de recursos solares so amplamente disseminados. [6]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 8
Os valores da radiao global horizontal obtidos no projeto SONDA (Sistema
de Organizao Nacional de Dados Ambientais) tem periodicidade de 1 min e
representam a mdia da radiao global horizontal medidas em Watts por metro
quadrado ( ).
A Figura 2 apresenta um mapa com a mdia anual do total dirio de radiao
solar global incidente no territrio brasileiro.
Mapa com a mdia anual do total dirio de radiao solar global incidente no
Brasil
[Fonte: Atlas Brasileiro de Energia Solar [1] ]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 9
2.1.3 Energia Solar no Brasil
Localizado na sua maior parte na regio intertropical, o Brasil possui grande
potencial para gerao de energia solar durante o ano todo. A utilizao da energia
solar traz benefcios a longo prazo para o pas, possibilitando o desenvolvimento de
regies isoladas onde o custo para insero da rede eltrica convencional
extremamente alto, e de baixo retorno financeiro do investimento.
Nas regies Sul e Sudeste do pas, devido a caracterstica climtica, o
principal uso da energia solar at o momento para realizar o aquecimento de gua
em estabelecimentos residenciais e comerciais. Nestas regies uma parcela
significativa do consumo de energia eltrica destinada ao aquecimento de gua,
principalmente nas residncias, o que tem contribudo para o crescimento do
aproveitamento da enegia solar. J a regio Norte e Nordeste, apresenta como
principal uso da energia solar a gerao fotovoltaica de energia eltrica, visando
principalmente o atendimento de comunidades isoladas da rede de energia eltrica e
ao desenvolvimento regional. [2]
O fomento ao desenvolvimento de tcnicas e sistemas para o aproveitamento
da energia solar no pas conta com o apoio tcnico, cientfico e financeiro de
instituies brasileiras, alm do suporte de organismos internacionais. um
incentivo para o uso sustentvel dos recursos naturais e manuteno do
desnvolvimento econmico do pas, principalmente de regies que antes no tinham
acesso a energia eltrica.
2.1.4 Projeto SONDA
Sistema de Organizao Nacional de Dados Ambientais (SONDA) um
projeto implantado e gerenciado pelo Centro de Previso do Tempo e Estudos
Climticos (CPTEC), do Instituto Nacional de Pesquisas Espaciais (INPE). Ele tem
como objetivo principal implementar uma infraestrutura fsica e de recursos humanos
destinada montagem e melhoramento da base de dados de superfcie necessria
ao levantamento dos recursos de energia solar e elica no Brasil e o consequente
planejamento de seu uso. [13]
Segundo o INPE, a falta de investimento em larga escala nas fontes de
energias renovveis solar e elica se deve falta de informaes precisas e
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 10
confiveis sobre a disponibilidade e variabilidade desses recursos. Desta forma o
projeto SONDA tem como objetivo suprir essa necessidade, fornecendo um banco
de dados e ferramentas para o uso apropriado pelo setor de energia.
Para coletar essas informaes o projeto possui uma rede de estaes
distribudas por todo territrio brasileiro, sendo classificadas como Solarimtricas,
Anemomtricas ou Solarimtricas e Anemomtricas. Cada tipo de estao mede um
conjunto de variveis distintas. A Figura 3 apresenta um mapa do Brasil com a
localizao das estaes do projeto.
Alm dos dados medidos pelos sensores o projeto conta com uma etapa de
validao dos dados que garante a sua confiabilidade, visto que fatores ambientais
Distribuio das estaes da rede SONDA no territrio brasileiro
[Fonte : Retirada do site: http://sonda.ccst.inpe.br/index.html]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 11
ou mesmo acidentais podem interferir na medio dos sensores. O processo de
validao realizado pelo projeto est de acordo com a estratgia de controle de
qualidade de dados adotada pela Baseline Surface Radiation Network (BSRN), para
os dados de radiao, e de acordo com a Webmet.com para os dados Meterolgicos
e anemomtricos.
A Figura 4 apresenta as variveis medidas pelas estaes do projeto SONDA.
2.2 Redes Neurais
As Redes Neurais Artificiais (RNAs) so tcnicas computacionais que
apresentam modelos matemticos inspirados no comportamento e funcionamento do
crebro humano. Elas tem como base as redes neurais biolgicas as quais
apresentam 10 bilhes de neurnios interconectados capazes de processar milhares
de informaes simultanemante [15].
Variveis medidas pelas estaes do projeto SONDA
[Fonte : Retirada do site : http://sonda.ccst.inpe.br/basedados/index.html ]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 12
Os neurnios biolgicos so formados pelos dentritos, conjunto de terminais
de entrada pelos quais recebem os sinais, pelo corpo central no qual a informao
processada, e pelos axnios que so os terminais de sada.
Os neurnios possuem um limiar excitatrio que define se a intensidade do
estmulo recebido suficiente ou no para disparar o impulso nervoso. Sendo assim
caso o estmulo recebido tenha sido menor que o limiar excitatrio, o impulso
nervoso no ocorrer. De forma contrria, caso o estmulo seja maior, o impulso
nervoso ser gerado e ser o mesmo, independente da intensidade do estmulo
recebido.
Em 1943 McCulloch e Pitts propuseram os neurnios artificiais, unidade da
rede neural artificial (RNA) com o objetivo de realizar as mesmas funes do
neurnio biolgico. Ao contrrio do crebro humano, as grandes RNAs apresentam
apenas centenas ou milhares de neurnios artificiais.
A figura 5 ilustra os dois tipos de neurnios supracitados.
O modelo proposto por McCulloch e Pitts formado pelo conjunto de entradas
(dentritos), pela unidade de processamento e (corpo celular) e pela sada
(axnio), sendo o produto de cada entrada e o seu peso associado o
equivalente a sinapse do neurnio biolgico. O peso representa a importncia de
cada entrada associada ao neurnio. Sendo assim, quanto maior a importncia da
entrada, maior ser o seu peso. O somatrio de todos os produtos, isto , das
Ilustrao do neurnio biolgico e do neurnio artificial
[Fonte: Retirada do site: http://meus-projetos.blogspot.com.br/2010/05/redes-
neurais-artificiais-2_03.html]
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 13
sinapses, usado como parmetro para a funo de ativao , expressa pela
Equao 1.
Sendo utilizado para encontrar a sada de cada neurnio, que
calculada de acordo com a funo de ativao utilizada. H diversas funes de
ativao que podem ser usadas nas RNA propostas na literatura, sendo as mais
recorrentes a funo linear, sigmide logstica e a tangente hiperblica [15]. As
Equaes 2, 3 e 4 representam as funes de ativao supracitadas, na mesma
ordem.
A sada calculada da rede neural depende dos valores dos pesos de cada
neurnio, uma vez que a sada obtida pela multiplicao dos valores de entrada e
o seu peso associado. Dessa forma fundamental para o sucesso da RNA a correta
escolha dos pesos que a constitui [15] e eles devem ser ajustados atravs de
algoritmos de aprendizagem. Este aprendizado pode ser supervisionado (quando a
resposta do problema conhecida pela rede), no supervisionado (quando a rede
no conhece a resposta do problema), ou por reforo (quando um supervisor externo
avalia a resposta fornecida pela rede) podendo esse algoritmo ser executado ao fim
de cada iterao do treinamento da rede, ou em lote, ao fim do treinamento inteiro
da rede [4].
A partir da unio de neurnios artificiais em uma ou mais camadas, possvel
a construo das RNAs. As primeiras arquiteturas destas redes foram a Perceptron
e a Adaline, sendo os dois modelos capazes de solucionar apenas problemas
linearmente separveis, onde o primeiro modelo lida apenas com sadas discretas,
enquanto o segundo permite respostas no universo contnuo. Tal diferena se deve
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 14
funo de ativao escolhida pelos modelos propostos, uma funo linear para a
arquitetura Perceptron e uma funo sigmide para a Adaline.
Essas duas arquiteturas foram fundamentais para o estudo das Redes
Neurais Artificiais (RNAs) futuras, como o Multi-Layer Perceprton (MLP) e Radial
Basis Neural Network (RBFN), que sero abordados na sequncia.
2.2.1 Multi-Layer Perceptron
uma das redes neurais mais encontradas na literatura. A MLP uma rede
de propagao unidirecional baseada na rede Perceptron, porm apresenta pelo
menos uma camada de neurnios intermediria ou escondida. As camadas so
conjuntos de neurnios que executam no mesmo nvel de hierarquia. Sendo assim,
a MLP apresenta no mnimo trs camadas, a camada de entrada onde os neurnios
representam as variveis de entrada do problema, a camada intermediria ou
escondida que responsvel pela soluo de problemas no linearmente
separveis, sendo possvel a aproximao de qualquer funo matemtica [3] e a
camada de sada que representa a resposta da rede e onde se encontra a varivel
desejada.
Os neurnios da camada escondida possuem geralmente uma funo de
ativao sigmoidal que pode ser a logstica ou a tangente hiperblica. J a camada
de sada, alm da funo de ativao sigmoidal, tambm podem apresentar a
funo de ativao linear.
A rede MLP do tipo feedforward, ou seja, as informaes das camadas so
transmitidas em uma nica direo. Sempre da camada de entrada para a camada
escondida e, posteriormente, da camada escondida para a camada de sada.
Os neurnios da rede MLP so conectados atravs de ligaes com pesos,
que so inicialmente aleatrios, e que ao longo do treinamento so otimizados.
Desta forma, a MLP, assim como outras arquiteturas de rede neural, precisa de um
algoritmo de treinamento para calcular os seus pesos timos. Por apresentarem uma
ou mais camadas escondidas, a complexidade do treinamento das redes MLP
diretamente proporcional quantidade de camadas escondidas.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 15
Arquitetura MLP com quatro camadas
[Fonte: elaborao prpria]
A Figura 6 representa uma rede MLP com duas camadas escondidas.
O aprendizado das redes MLP feito de forma supervisionada. Sendo assim,
possvel calcular o erro na sada da rede e corrigir os pesos para que a rede se
aproxime do valor esperado. Porm no se conhece o erro nas camadas
intermedirias, o que dificulta na correo dos pesos dos neurnios desta camada
[8].
O algoritmo de treinamento mais encontrado na literatura o Back-
propagation desenvolvido por Paul Werbos em 1974 [16]. Este algoritmo utiliza a
retropropagao do erro encontrado na sada.
2.2.2 Algoritmo Backpropagation
O algoritmo backpropagation dividido em duas fases: a fase forward, na
qual a propagao do sinal progressiva - da camada de entrada para a camada de
sada - e os valores dos pesos no so alterados. Apenas a partir da sada da rede
calculado o erro encontrado. O erro calculado pela diferena entre o valor
calculado pela rede e o valor desejado. Nesse momento iniciada a segunda fase
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 16
do algoritmo, a fase backward, na qual a propagao do sinal regressiva - da
camada de sada camada de entrada - e os pesos so ajustados de acordo com a
regra delta generalizada.
O backpropagation utiliza os parmetros de taxa de aprendizado e o
momento , sendo a taxa de aprendizado correspondente ao tamanho do passo em
direo correo do erro, e o momento o parmentro de convergncia da rede, o
qual diminui a incidncia de mnimos locais [15].
A Equao 5 apresenta o clculo realizado para reajustar os pesos.
Onde o novo valor atribudo ao i-simo peso do neurnio ,
o valor atual do i-simo peso do neurnio no instante , e
mede a
sensibilidade do neurnio ao qual o peso em questo liga o neurnio .
: A sensibilidade calculada segundo a Equao 6 para os neurnios
da camada de sada, e de acordo com a Equao 7 para os neurnios
das outras camadas:
Sensibilidade na camada de sada,
Onde a sada desejada, a sada encontrada aps o treinamento da
rede e a derivada da funo de ativao da camada de sada.
Sensibilidade nas outras camadas,
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 17
Onde a sensibilidade propagada pelo i-simo neurnio da camada
imediatamente frente, o peso do neurnio e o nmero de neurnios
na camada de sada.
2.2.3 Critrio de parada
Durante o treinamento de uma rede neural artificial (RNA) dois problemas
podem ocorrer, problemas ocasionados pela quantidade de pocas de treinamento.
So eles o overfitting e o underfitting. O primeiro se deve ao treinamento excessivo
da rede, fazendo com que esta decore os padres e perca a sua capacidade de
generalizao. O segundo problema se deve ao treinamento insuficiente da rede,
fazendo com que a rede no aprenda com os padres fornecidos e assim no possa
generalizar. O nmero de pocas uma varivel do treinamento que depende
necessariamente do problema na qual a RNA submetida.
Sendo assim necessrio determinar um critrio de parada que evite os dois
problemas supracitados, e um dos critrios de parada mais utilizados a validao
cruzada. Para a validao cruzada necessrio dividir a base de dados do problema
em trs partes: treinamento, validao e teste. O conjunto de treinamento utilizado
para ajustar os pesos da rede, de acordo com o algoritmo de treinamento escolhido.
Aps cada poca, a rede previamente treinada, com os pesos ajustados, o conjunto
de dados de validao cruzada inserido na RNA e feita a verificao da diferena
entre a sada encontrada e a sada desejada. Sendo os pesos mantidos fixos nessa
etapa, sendo eles inditos a cada poca para o conjunto de validao. Enquanto o
erro de validao cruzada estiver diminuindo, a rede continuar generalizando.
No momento em que o erro de validao cruzada comear a aumentar
enquanto o de treinamento continuar a diminuir, isto pode sugerir que a rede est
comeando a decorar os padres presentes no conjunto de dados de treinamento,
sendo este o ponto de parada para o treinamento dos dados. Em seguida inserido
o conjunto de teste na RNA para realizar a avaliao do desempenho que esta
obteve.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 18
Ponto de parada do treinamento da rede utilizando validao cruzada.
[Fonte : elaborao prpria]
A Figura 7 apresenta um grfico no qual possvel visualizar o momento que
deve ser realizada a parada do treinamento da rede.
O algoritmo de treinamento utilizado neste trabalho o algoritmo
Backpropagation.
2.2.4 Radial Basis Function Network
As Redes de Funes de Base Radial (Radial Basis Function Network -
RBFN) so redes neurais provenientes da Anlise Numrica, que tem por finalidade
a aproximao de funes utilizando como funo de ativao as funes de base
radial. Sua origem remete ao ano de 1988, desenvolvida com o intuito de realizar a
interpolao de dados em espaos multidimensionais, sendo consideradas
aproximadoras universais de funes [14]. Apresenta similaridade com a arquitetura
MLP, porm a RBFN consiste em uma camada de entrada, apenas uma camada
intermediria e uma camada de sada. Essas redes so capazes de solucionar
problemas no linearmente separveis, pois apresentam uma camada intermediria
e utilizam a funo de ativao de base radial no linear. As funes de base radial
so funes que recebem nmeros reais como entrada, que dependem apenas da
distncia a partir da origem, ou sobre algum ponto definido como o centro, tendo o
seu valor mximo quando a distncia for zero. Para calcular a distncia supracitada,
a funo normalmente utilizada a funo euclidiana definida na Equao 8.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 19
Topologia da rede RBFN.
[Fonte : elaborao prpria]
Onde e so os pontos nos quais a distncia entre eles so calculadas.
2.2.4.1 Estrutura da Rede RBFN
As RBFN so unidirecionais e apresentam funes de ativao no lineares
da camada de entrada para a camada intermediria, e funes de ativao lineares
da camada intermediria para a camada de sada. A camada de entrada realiza a
interface entre o modelo e o meio. A Figura 8 representa a topologia da rede RBFN.
A cada dado de entrada da rede ser calculada a sua distncia a cada
neurnio da camada intermediria, sendo a camada de sada responsvel pela
construo do padro de sada da rede. Nas RBFN a generalizao ocorre durante a
interpolao de pontos no pertencentes ao conjunto de dados de treino, mas que
estejam em sua vizinhana em uma superfcie multidimensional.
A funo de ativao mais utilizada a Gaussiana, descrita na Equao 9.
Esta a funo de base radial utilizada como funo de ativao na transformao
da camada de entrada para a camada intermediria.
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 20
Onde so os dados de entrada da rede, e so o centro e a disperso
da i-sima funo de base radial.
2.2.4.2 Treinamento da Rede RBFN
O tipo de treinamento mais comumente encontrado na literatura para as redes
RBFN do tipo hbrido, o qual possui duas fases:
No supervisionada, que ocorre na definio dos parmetros das
funes de base radial da camada intermediria;
Supervisionada, momento em que os pesos que ligam a camada
intermediria camada de sada so ajustados.
Na primeira fase normalmente so usados algoritmos de clusterizao, por
exemplo o k-mdias, para identificar os pontos centrais das funes radiais. O
conjunto de pontos centrais reflete com preciso a distribuio dos dados, dessa
forma o algoritmo divide os dados de entrada em subconjuntos , com o objetivo de
minimizar a funo definida na Equao 10.
Onde a mdia dos pontos pertencentes ao conjunto calculado de
acordo com a Equao 11.
2.2.5 Modelo de Persistncia
O modelo de persistncia um modelo no qual o dado a ser previsto possui o
mesmo valor do resultado da observao imediatamente anterior ao dado de
entrada. A Equao 12 define o modelo de Persistncia.
A utilidade deste modelo servir de referncia para previses de curto prazo,
onde no ocorrem grandes variaes dos dados em um curto espao de tempo. O
Captulo 2 Fundamentao Terica
Rafael Lopes Mendona 21
modelo de Persistncia usado como critrio de avaliao dos resultados obtidos
pelas redes neurais. Este modelo pode apresentar, para previses de poucas horas
frente, desempenho melhor que o obtido pelas RNAs [8].
Captulo 3 Metodologia
Rafael Lopes Mendona 22
Captulo 3
Metodolgia
Neste captulo sero apresentadas as etapas de desenvolvimento deste
trabalho, aquisio e tratamento dos dados, alm da definio dos parmetros das
arquiteturas MLP e RBFN.
3.1 Aquisio e Tratamento dos Dados
Os dados de radiao global horizontal e de iluminncia foram retirados do
projeto SONDA (Sistema de Organizao Nacional de Dados Ambientais), um
projeto implantado e gerenciado pelo Centro de Previso do Tempo e Estudos
Climticos (CPTEC), do Instituto Nacional de Pesquisas Espaciais (INPE). Os dados
escolhidos foram coletados na estao Solarimtrica e Anemomtrica da cidade de
Petrolina, Pernambuco. Foram coletados os dados de Janeiro de 2013 Julho de
2014, o que representa uma amostra de um pouco mais de ano e meio de dados. Os
sensores coletam a radiao global horizontal e a iluminncia a cada 1 minuto, ou
seja, 830.880 valores coletados pelos sensores, para cada varivel.
Para cada ms gerado uma planilha com os dados solarimtricos da
estao do projeto SONDA. Foram adquiridos 19 arquivos com estes dados da
estao de Petrolina. Os valores de radiao global e iluminncia foram retirados
dos 19 arquivos e inseridos em planilhas separadas, uma para cada varivel,
representando dessa forma uma srie temporal para os dados escolhidos.
Em alguns momentos os sensores por motivos adversos no foram capazes
de mensurar o valor, sendo representados por N/A para os valores invlidos. Estes
valores foram substitudos pela mdia dos dois valores acima somados aos dois
valores abaixo do que estava invlido. Esta substituio representada pela
Equao 13.
Captulo 3 Metodologia
Rafael Lopes Mendona 23
Onde representa o ndice na srie temporal do valor coletado e representa
um valor vlido medido pelo sensor.
Alm destes valores o projeto SONDA realiza uma anlise dos dados, feita a
cada ms, que disponibilizada junto com o arquivo dos dados adquiridos pelos
sensores. De acordo com a anlise, menos de 5% dos valores obtidos podem ser
considerados incorretos ou suspeitos, os quais tm a possibilidade de estarem
incorretos. Sendo assim, os dados foram utilizados desconsiderando essa pequena
taxa de incerteza dos dados obtidos.
Os dados de radiao possuem uma enorme variao, tendo como valor
mximo e como valor mnimo . Os valores negativos
de radiao se devem ao fato que durante noite normalmente o fluxo incidente
passa a ser apenas atmosfrico, e a energia emitida pela superfcie superior a este
fluxo, o que representa um saldo negativo de radiao.
J os dados de iluminncia esto compreendidos entre e
.
Para que os dados fiquem compreendidos em um intervalo menor
necessrio utilizar uma funo de normalizao dos dados, representada pela
Equao 14.
Onde e representam os limites mximos e mnimos que os dados podem
alcanar aps a normalizao. Neste trabalho foi utilizado o valor de para e
para , para os dados de radiao, e para e para , para os dados
de iluminncia.
Aps a normalizao dos dados foi realizada a transformao da srie
temporal para um srie que apresenta valores a cada 30 min, ao invs de dados a
cada um minuto como foram obtidos do projeto SONDA. Para tanto, foi feita a mdia
a cada conjunto de 30 valores da srie. Dessa forma a quantidade de linhas nas
planilhas de dados foi reduzida evitando problemas de uso excessivo da mmoria.
Em seguida foi realizada a defasagem dos dados em 48 colunas, para que
seja feito o estudo de correlao linear dos valores das colunas em relao a
Captulo 3 Metodologia
Rafael Lopes Mendona 24
primeira coluna, que contm o dados que serviram de base para a defasagem. A
partir dos valores obtidos pela correlao ser definida a quantidade de colunas de
entrada para a RNA. De acordo com a correlao realizada as 12 primeiras colunas
possuem uma correlao relevante para a radiao, e as 14 primeiras para a
iluminncia, sendo essas as quantidades mximas de variveis selecionadas para o
arquivo de entrada. A Tabela 2 apresenta o resultado obtido com o estudo da
correlao linear realizado.
Tabela 2. Estudo de correlao linear das variveis de radiao global horizontal e
iluminncia em tempos anteriores
T T
30min
T
1h
T
1h30min
T
2h
T
2h30min
T
3h
T
3h30min
T
4h
T
4h30
T
5h
T
5h30min
T
6h
T
6h30
Radio global horizontal
1 0,92 0,84 0,76 0,69 0,61 0,53 0,45 0,36 0,28 0,20 0,13 0,05 -0,01
Iluminncia
1 0,99 0,96 0,92 0,86 0,80 0,72 0,64 0,56 0,47 0,38 0,29 0,20 0,11
3.2 Simulao com a MLP
Para realizar a previso da radiao global horizontal utilizando a arquitetura
MLP (Multi-Layer Perceptron) necessria a definio de alguns parmetros
utilizados pela RNA (Rede Neural Artificial). Entre os parmetros configurveis da
MLP esto:
Dados de entrada da rede neural;
Dados de Target (alvo);
Nmero de neurnios na camada de entrada;
Nmero de camadas intermedirias e a quantida de neurnios em cada
uma delas;
Nmero de neurnios na camada de sada;
Captulo 3 Metodologia
Rafael Lopes Mendona 25
Funo de ativao da camada de entrada para camada intermediria;
Funo de ativao da camada intermediria para a camada de sada;
Critrios de parada;
Equao para o clculo do erro.
Para este trabalhos alguns parmetros foram previamente definidos:
Apenas uma camada intermediria;
Funo tangente hiperblica como a funo de ativao da camada de
entrada para camada intermediria;
Funo linear com a funo de ativao da camada intermediria para
a camada de sada;
Erro mdio quadrtico para o clculo do erro.
A funo de ativao tangente hiperblica tem como limite inferior -1 e 1 como
superior. A Equao 15 apresenta esta funo.
O critrio de parada tem como objetivo minimizar o risco de ocorrncia de
overfitting da rede. O Erro Mdio Quadrtico (EMQ) ser utilizado para auxiliar na
parada do treinamento. Caso ocorram 6 aumentos do EMQ da validao, o
treinamento ser interrompido mesmo que haja reduo do EMQ do conjunto de
treinamento. A Equao 16 define o Erro mdio Quadrtico.
Onde o valor mdio para o instante , e o valor previsto para o
instante .
A definio da quantidade de neurnios na camada intermediria foi baseada
na anlise do EMQ obtido pela simulao da rede com valores de neurnios entre 2
e 105, simulados de forma iterativa. Dessa forma foram realizadas simulaes para
diversos valores de neurnios na camada escondida e foi escolhida a rede que
apresentou o menor EMQ.
Captulo 3 Metodologia
Rafael Lopes Mendona 26
A quantidade de neurnios na camada de sada definida pela previso que
se deseja realizar. Devido periodicidade dos dados de entrada serem de 30
minutos, para que se possa prever 1 hora adiante necessrio utilizar dois
neurnios na camada de sada. Para que seja possvel prever 1 hora frente so
necessrias duas colunas de dados como Target.
A partir dos dados de entrada so gerados aletoriamente os conjuntos de
dados de treinamento, teste e validao. Neste trabalho foram utilizados 50% dos
dados de entrada para gerar o conjunto de dados de treinamento, 25% para o
conjunto de dados de validao e 25% dos dados de entrada para gerar o conjunto
de dados de teste. Os pesos tambm so gerados aleatoriamente a cada simulao
da rede.
Foram realizadas 30 simulaes e ao final de cada simulao foi gerado um
arquivo contendo os valores das duas colunas de dados previstos tanto para as
simulaes feitas para a radiao global horizontal, quanto para a iluminncia, sendo
para cada coluna a previso dos dados 30 minutos frente.
3.2.1 Simulaes com a MLP para radiao
Os dados de radiao foram simulados atravs da ferramenta Neural Toolbox
da IDE do software Matlab, para configuraes diferentes entre si devido a taxa de
aprendizagem e o momento . Porm os resultados obitidos para o estudo da
mdia dos EMQs dos valores desnormalizados foram extremamente altos. A Tabela
3 apresenta os resultados obtidos no estudo da mdia dos EMQs para os valores de
radiao simulados em uma configurao usada na MLP e a comparao com o
modelo de persistncia.
Tabela 3. EMQs mdios obtidos pela simulao dos dados de radiao na MLP
Valores desnormalizados Valores normalizados
MLP com = 0,2 e = 0,6 Persistncia MLP com = 0,2 e = 0,6 Persistncia
1,9155E+48 2,7854E+10 0,111726 0,06471
Captulo 3 Metodologia
Rafael Lopes Mendona 27
Sendo assim, foi necessrio a utilizao de outra ferramenta de simulao
para a validao dos resultados obtidos. Para tanto foi utilizado o simulador
implementado na linguagem JAVA pelos alunos de mestrado do Programa de Ps-
Graduao stricto sensu em Engenhraria de Computao (PPG-EC) da
Universidade de Pernambuco.
Os resultados obtidos nesse simulador foram similares aos obtidos no
MatLab, sendo utilizados apenas os valores normalizados para a anlise dos
resultados obitdos. Os dados de radiao global horizontal foram simulados no
projeto desenvolvido em JAVA em 48 configuraes diferentes para a MLP, e no
foram feitas simulaes na rede RBFN. Estas configuraes alm de variarem a taxa
de aprendizado e o momento , tambm apresentam diferentes valores para a
quantidade de neurnios na camada de entrada e na camada escondida.
3.2.1 Simulaes com a MLP para iluminncia
Foram definidas quatro configuraes diferentes para simular os dados de
iluminncia com a MLP. Estas configuraes possuem variaes na taxa de
aprendizado e o momento , e para cada uma foi feito o estudo da melhor
quantidade de neurnios na camada escondida. Porm todas as configuraes
apresentam 12 neurnios na camada de entrada e 2 na camada de sada, o que
representa 12 valores de entrada para a previso de 1 hora frente.
As configuraes utilizadas foram:
e ;
e ;
e ;
e ;
O estudo da quantidade de neurnios na camada escondida realiza
simulaes da rede, variando a quantidade de neurnios na camada escondida de 2
a 105. A cada iterao so adicionados dois neurnios a camada escondida. O valor
da taxa de performance armazenado a cada iterao, para que se possa definir
qual quantidade de neurnios apresentou o melhor desempenho.
A Figura 9 apresenta o resultado obtido para a primeira configurao,
e .
Captulo 3 Metodologia
Rafael Lopes Mendona 28
Topologia para a configurao da MLP com e .
[Fonte : MatLab]
Estudo do EMQ por nmero de neurnios na camada escondida para
e .
[Fonte : elaborao prpria]
Como pode ser observado na Figura 9, 4 foi a quantidade de neurnios que
apresentou o menor erro mdio quadrtico, sendo esta a quantidade utilizada para
esta primeira configurao. Desta forma a topologia dessa configurao foi definida
como mostra a Figura 10.
Foram realizados os mesmos estudos para as outras trs configuraes. Os
resultados obtidos para as outras configuraes foram:
e : 6 neurnios na camada escondida;
e : 4 neurnios na camada escondida;
e : 10 neurnios na camada escondida;
O Apndice A contm os grficos e a topologia de cada configurao.
Captulo 3 Metodologia
Rafael Lopes Mendona 29
3.3 Simulao com a RBFN
Da mesma forma que foram definidos os parmetros para a MLP, a Rede com
Funo Base Radial (RBFN) tambm precisa ser configurada para que o melhor
desempenho da rede seja obtido. Alguns dos parmetros da RBFN so:
Quantidade de neurnios na camada de entrada;
Quantidade de neurnios na camada intermediria;
Quantidade de neurnios na camada de sada;
Funo de ativao de base radial;
Critrios de parada;
Spread, valor de disperso.
A quantidade de neurnios nas camadas de entrada e de sada deve ser a
mesma utilizada na rede MLP, para que seja possvel realizar a comparao das
arquiteturas utilizadas.
Para a simulao na rede RBFN foi preciso gerar arquivos separados para o
treinamento e testes da rede, diferente da rede MLP, na qual o prprio algoritmo
gerava aleatoriamente os conjuntos de treinamento, testes e validao, seguindo os
percentuais definidos para cada conjunto. Sendo assim, foram gerados 30 arquivos
para treinamento, sendo um para cada iterao do algoritmo da rede RBFN, e um
arquivo de teste.
As RBFN utilizam funes gaussianas como funo de ativao da camada
intermediria, e uma funo de ativao linear na camada de sada. A Equao 17
define a funo gaussiana.
Onde o valor de entrada do neurnio.
Esta funo tem o seu valor mximo no centro e este valor decresce a medida
que se afasta do centro. possvel ajustar os resultados alterando o valor de
disperso da funo. Valores de disperso maiores fazem com que a aproximao
da funo seja mais suave. Um valor de disperso baixo far com que uma
quantidade menor de neurnios seja necessria para aproximar a funo que varia
Captulo 3 Metodologia
Rafael Lopes Mendona 30
Estudo do spread e da quantidade de neurnios na camada escondida para os
dados de iluminncia.
[Fonte : Elaborao prpria]
rapidamente, porm para uma funo de curva suave ser necessria uma
quantidade maior de neurrios, o que acarretar problemas de generalizao.
Para definir o valor de disperso foi realizado um estudo a partir da simulao
da rede RBFN de forma iterativa. Atravs da ferramenta Neural Toolbox da IDE do
software Matlab possvel executar um algoritmo no qual o valor do spread
testado iterativamente para diferentes quantidades de neurnios, at que um critrio
de parada seja atingido. Atravs desse estudo escolhida a melhor taxa de
disperso e a quantidade de neurnios na camada escondida. As simulaes
realizadas pele estudo variou a taxa de disperso de a , para
e neurnios na camada intermediria. Foi selecionada a configurao que
obteve o melhor desempenho.
A Figura 11 apresenta o resultado obtido para o estudo do spread e da
quantidade de neurnios na camada escondiada par os dados de iluminncia.
Captulo 3 Metodologia
Rafael Lopes Mendona 31
De acordo com o estudo foi selecionado o valor para o spread e 25
neurnios na camada escondida.
Apenas os dados de ilumincia foram simulados com a RBFN, pois os dados
de radiao apresentaram resultados no satisfatrios para o erro mdio quadrtico
com os valores desnormalizados.
3.4 Anlise Estatstica
Aps a simulao das redes os resultados foram salvos em arquivos que
contm as duas colunas de valores de radiao global horizontal, sendo a primeira
coluna referente ao valor 30 minutos frente, e a segunda coluna referente ao valor
da radiao 1 hora frente.
Para que seja possvel realizar as comparaes entre as redes simuladas e a
anlise estatstica, os dados precisam ser desnormalizados, para que sejam
comparados aos valores originais. A Equao 18 utilizada para desnormalizar os
dados.
Onde:
o valor desnormalizado;
o valor do elemento atual;
o valor mnimo de no conjunto original;
o valor mximo de no conjunto original;
o limite inferior, neste trabalho o valor inferior -0,85;
o limite superior, neste trabalho o valor superior 0,85;
Aps gerar os arquivos com os dados desnormalizados, estes valores so
comparados com os valores originais para que se possa obter o EMQ de cada
resultado obtido. Dessa forma para cada arquitetura foram coletados 30 EMQs, e
para que se possa identificar o desempenho da rede calculado a mdia dos 30
EMQs.
Captulo 3 Metodologia
Rafael Lopes Mendona 32
Tambm foi calculado o EMQ para o modelo de Persistncia, sendo este
utilizado como um mtrica de anlise dos resultados obtidos nas redes MLP e
RBFN. Ou seja, estas duas redes devem apresentar uma performance superior ao
desempenho do modelo de Persistncia, para que possam ser consideradas
eficientes e necessrias.
Alm da comparao das redes utilizando o a mdia dos 30 EMQs foram
realizados testes estatsticos que avaliam qual arquitetura possui o melhor
desempenho na previso da radiao global horizontal. Os testes estatstico
utilizaram os 30 EMQs de cada arquitetura como entrada para realizar a anlise de
desempenho. Para realizar esta anlise utilizou-se o software matemtico R, pois
este possui ferramentas prontas para realizar todos os testes utilizados. Este
software utiliza como padro um nvel de significncia previamente definido com o
valor de 0,05.
As prximas sees descrevem cada teste realizado, quais os objetivos de
cada um e como cada um analisa os resultados encontrados.
3.4.1 Teste Shapiro-Wilk
O objetivo do Teste Shapiro-Wilk verificar se os dados esto normalmente
distribudos. Para que se possa avaliar as premissas supracitadas, necessria a
formulao das hipteses nula e alternativa da seguinte forma:
Hiptese nula: a amostra provm de uma populao Normal;
Hiptese alternativa: a amostra no provm de uma populao Normal.
Para cada conjunto de teste executado deve-se analisar o p-value encontrado
e comparar com o nvel de significncia previamente definido como 0,05. Caso o p-
value seja menor que , a hiptese nula deve ser rejeitada e a amostra no deve ser
considerada normalmente distribuda.
3.4.2 Teste F
O objetivo do Teste F verificar se as varincias entre dois conjuntos de
dados so estatisticamente iguais, ou seja, provenientes de uma mesma populao.
Da mesma forma que foram definidas as hipteses para o teste anterior
necessria a formulao para este teste tambm, feita da seguinte forma:
Captulo 3 Metodologia
Rafael Lopes Mendona 33
Hiptese nula: as amostras possuem varincias estatisticamente
iguais;
Hiptese alternativa: as amostras no possuem varincias
estatisticamente iguais.
Para cada conjunto de teste executado deve-se verificar o p-value calculado,
e caso este seja menor que o nvel de significncia a hiptese nula deve ser
rejeitada e as amostras no possuem varincias estatisticamente iguais.
Com os resultados deste teste, como descrito na seo anterior possvel
determinar se o conjunto de dados pode ser utilizado por testes paramtricos. Para
tanto o conjunto de dados necessita ter suas amostras normalmente distribudas e
com varincias estatisticamente iguais, caso contrrio deve-se aplicar testes no
paramtricos.
3.4.3 Teste T-Student
O teste T-Student realiza a anlise das mdias dos valores de duas amostras
independentes, e tem como objetivo verificar se as mdias de cada uma das
amostras so estatisticamente iguais, ou se h alguma diferena entre elas. Caso
haja alguma diferena entre elas, a amostra que tiver a maior mdia, ser
considerada como a de melhor desempenho.
Este teste paramtrico e dessa forma deve ser aplicado somente se os
resultados dos testes anteriores obtiverem como resposta que a amostra
normalmente distribuda e que elas pertencem a uma mesma populao, ou seja,
suas varincias so estatisticamente iguais.
Assim como os outros testes, para analisar o resultado obtido necessrio ter
formulado previamente as hipteses nulas e alternativas.
Hiptese nula: as mdias das amostras analisadas so
estatisticamente iguais;
Hiptese alternativa: as mdias das amostras analisadas no so
estatisticamente iguais.
Captulo 3 Metodologia
Rafael Lopes Mendona 34
Caso o p-value encontrado seja menor que o nvel de significncia , a
hiptese nula rejeitada e a amostra que tiver a maior mdia considerada a de
melhor desempenho.
Neste trabalho sero comparadas as arquiteturas utilizadas, MLP e RBFN, e
caso a hiptese nula seja rejeitada, a topologia que apresentar a maior mdia de
taxa de acerto ser considerada a de melhor desempenho para a previso da
radiao global horizontal.
3.4.4 Teste da soma dos Postos de Wilcoxon
Teste no paramtrico que utiliza as posies que os valores dos dados
amostrais de duas populaes independentes ocupam, quando colocados em ordem
crescente, com o objetivo de verificar a hiptese nula de que as amostras provm de
populaes com medianas iguais. A hiptese alternativa a que as duas populaes
tem medianas diferentes.
Hiptese nula: as medianas das amostras analisadas so
estatisticamente iguais;
Hiptese alternativa: as medianas das amostras analisadas no so
estatisticamente iguais.
Apesar de ser um teste no paramtrico, este teste til para comprovar os
resultados e determinar se estes no so normais ou no possuem varincias
estatisticamente iguais.
Da mesma forma que os testes anteriores, calculado o p-value e este deve
ser comparado com o nvel de significncia . Caso esse valor seja menor que , a
hiptese nula deve ser rejeitada, o que determina que h diferena significativa entre
as duas amostras.
Captulo 4 Resultados
Rafael Lopes Mendona 35
Captulo 4
Resultados
Neste captulo, sero apresentados os resultados obtidos nas simules das
Redes Neurais Artificiais para as variveis de radiao global horizontal e
iluminncia, e a comparao com o modelo de persistncia. Alm disso, ser feita
uma anlise estatstica, realizada com os valores dos erros mdios quadrticos de
cada configurao utilizada para as arquiteturas escolhidas, isto , Multi-Layer
Perceptron (MLP) e Radial Basis Function Network (RBFN).
4.1 Resultados da Radiao Global Horizontal
Os resultados apresentados a seguir foram obtidos com o uso dos dados da
varivel de radiao normalizados, de acordo com a Seo 3.1. Isto se deve ao fato
de que os resultados obtidos com os dados desnormalizados no foram satisfatrios,
o que pode representar uma necessidade de utilizao de outras variveis para que
se possa predizer os valores futuros de radiao global horizontal.
Sendo assim, foi determinado um conjunto de 48 configuraes diferentes
para serem simuladas na rede neural MLP, as quais possuem variaes na
quantidade de neurnios na camada de entrada e intermediria, alm de valores
diferentes para a taxa de aprendizagem e momento.
Para cada configurao foi calculado o erro mdio quadrtico, e para
configuraes com a mesma quantidade de neurnios na camada de entrada e
intermediria foi calculado o erro mdio absoluto EMA. As configuraes que
apresentaram o melhor desempenho foram hachuradas com a cor azul.
A Figura 12 apresenta o resultado obtido pelo estudo do EMQ das
configuraes utilizadas.
Captulo 4 Resultados
Rafael Lopes Mendona 36
Estudo do EMQ para as 48 configuraes utilizadas na MLP com os dados
de radiao global horizontal.
[Fonte : elaborao prpria]
Com a definio das trs melhores configuraes, pode ser feita a anlise
estatstica dos dados. O primeiro teste realizado foi o de Shapiro-Wilk para verificar
se as amostras podem ser consideradas normalmente distribudas. A Tabela 4
apresenta o resultado obtido por esse teste.
Tabela 4. Teste Shapiro-Wilk para as configuraes utilizadas na MLP com os dados
de radiao
p-value p-value < 0,05
MLP_E4_A04_B08_N12 3,362E-08 Sim
MLP_E6_A02_B06_N12 1,586E-08 Sim
MLP_E12_A04_B06_N16 2,354E-08 Sim
Captulo 4 Resultados
Rafael Lopes Mendona 37
De acordo com os resultados obtidos, as amostras no so normalmente
distribudas. Sendo assim a anlise das amostras deve ser feita por um teste no
paramtrico. Neste trabalho o teste utilizado foi o teste da Soma dos Postos de
Wilcoxon. As hipteses para este teste foram determinadas da seguinte forma:
Hiptese nula: o desempenho das redes neurais com as duas
configuraes utilizadas so consideradas estatisticamente iguais;
Hiptese alternativa: o desempenho da rede neural com a configurao
direita, denominada por Y, melhor que a configurao esquerda,
denominada por X.
A Tabela 5 apresenta o resultado obtido por esse teste.
Tabela 5. Teste Wilcoxon para as configuraes utilizadas na MLP com os dados de
radiao
X Y p-value
MLP_E4_A04_B08_N12 MLP_E6_A02_B06_N12 1.542e-08
MLP_E4_A04_B08_N12 MLP_E12_A04_B06_N16 1.285e-07
MLP_E6_A02_B06_N12 MLP_E12_A04_B06_N16 4.242e-06
Como pode ser observado na Tabela 5, os valores dos p-values so inferiores
ao nvel de significncia previamente determinado com o valor . A configurao
que apresentou melhor desempenho foi a MLP_E6_A02_B06_N12, que tem
neurnios de entrada, taxa de aprendizagem , momento e
neurnios na camada escondida.
4.2 Resultados da Iluminncia
4.2.1 Determinar a melhor configurao para a rede MLP
Para cada conjunto de 30 simulaes na rede MLP, para uma mesma
configurao, foi realizado o teste de Shapiro-Wilk. A Tabela 6 apresenta o p-value
obtido para cada configurao utilizada.
Captulo 4 Resultados
Rafael Lopes Mendona 38
Tabela 6. Teste Shapiro-Wilk para as configuraes utilizadas na MLP com os dados
de iluminncia
p-value p-value < 0,05
MLP_02_06 0,1734 Sim
MLP_02_08 0,3078 Sim
MLP_04_06 0,4388 Sim
MLP_04_08 0,3078 Sim
Como pode ser obervado na Tabela 6, as amostras no so normalmente
distribudas, pois todas apresentam o p-value menor que a taxa de significncia
previamente definida com o valor de .
Com esse resultado as amostras no podem ser analisadas por testes
paramtricos, j visto que, para tanto, necessrio que as amostras sejam
normalmente distribudas e que possuam varincias estatisticamente iguais. Para
verificar se as amostras possuem varincias estatisticamente iguais realizado o
teste F. A Tabela 7 apresenta o resultado obtido por este teste.
Tabela 7. Teste F para as configuraes utilizadas na MLP com os dados de
iluminncia
p-value p-value < 0,05
MLP_02_06 MLP_02_08 0,003219 Sim
MLP_02_06 MLP_04_06 3,26E-06 Sim
MLP_02_06 MLP_04_08 2,17E-09 Sim
MLP_02_08 MLP_04_06 0,05535 No
MLP_02_08 MLP_04_08 0,000482 Sim
MLP_04_06 MLP_04_08 0,09537 No
Captulo 4 Resultados
Rafael Lopes Mendona 39
Como pode ser observado na Tabela 7, apenas dois testes com as amostras
apresentaram varincias estatisticamente iguais. So as duas linhas que no
possuem o p-value menor que a taxa de significncia, previamente definida com o
valor de .
Desta forma as amostras no sero analisadas pelo teste T de Student,
sendo realizada a anlise pelo teste da Soma dos Postos de Wilcoxon. As hipteses
para este teste foram determinadas da seguinte forma:
Hiptese nula: o desempenho das redes neurais com as duas
configuraes utilizadas so consideradas estatisticamente iguais;
Hiptese alternativa: o desempenho da rede neural com a configurao
direita, denominado por Y, melhor que a configurao esquerda,
denominada por X.
A Tabela 8 apresenta o resultado obtido por esse teste.
Tabela 8. Teste Wilcoxon para as configuraes utilizadas na MLP com os dados de
iluminncia
X Y p-value
MLP_02_06 MLP_02_08 0,000479
MLP_02_06 MLP_04_06 0,001356
MLP_02_06 MLP_04_08 4,253E-11
MLP_02_08 MLP_04_06 0,5165
MLP_02_08 MLP_04_08 2,03E-6
MLP_04_06 MLP_04_08 8,97E-10
Como pode ser obeservado na Tabela 8, a configurao que utiliza a taxa de
aprendizado e o momento apresentou o menor p-value. Sendo
assim, a que apresentou o melhor desempenho definida como a melhor
configurao para a MLP utilizando os dados de iluminncia. O prximo passo
realizar a anlise desta rede neural com a RBFN.
Captulo 4 Resultados
Rafael Lopes Mendona 40
4.2.2 Comparao entre as redes neurais utilizadas
Para realizar a anlise estatstica das duas arquiteturas, so realizados os
mesmos testes que foram feitos para analisar as diferentes configuraes da rede
MLP. Desta forma realizado o teste Shapiro-Wilk com os valores das duas redes.
O resultado deste teste est representado na Tabela 9.
Tabela 9. Teste Shapiro-Wilk para as redes neurais MLP e RBFN utilizando os
dados de iluminncia
p-value p-value < 0,05
MLP_04_08 0,003483 Sim
RBFN 0,2452 Sim
Como pode ser obervado na Tabela 9, as amostras no so normalmente
distribudas, pois todas apresentam o p-value menor que a taxa de significncia
previamente definida com o valor de . Sendo assim, a anlise das duas redes
neurais foi realizada utilizando apenas o teste da Soma dos Postos de Wilcoxon. As
hipteses para este teste foram determinadas da seguinte forma:
Hiptese nula: o desempenho das redes neurais com as arquiteturas
MLP e RBFN so consideradas estatisticamente iguais;
Hiptese alternativa: o desempenho da rede neural com a arquitetura
RFBN melhor do que com a arquitetura MLP.
A Tabela 10 apresenta o resultado obtido pelo teste Wicoxon para as redes
neurais utilizadas.
Tabela 10. Teste Wilcoxon para as redes neurais MLP e RBFN utilizando os dados
de iluminncia
p-value
RBFN MLP_04_08 p-value < 2,2E-16
Captulo 4 Resultados
Rafael Lopes Mendona 41
O resultado, como pode ser visto na Tabela 10, apresenta um p-value muito
menor do que o nvel de significncia. Desta forma, a Rede com Funo Base Radial
(RBFN) apresentou um melhor desempenho comparado a Multi-Layer Perceptron
(MLP).
Captulo 5 Concluso e Trabalhos Futuros
Rafael Lopes Mendona 42
Captulo 5
Concluso e Trabalhos Futuros
5.1 Concluses
A energia solar uma fonte de energia renovvel ainda pouco explorada,
sendo necessrio o desenvolvimento de projetos e pesquisas que auxiliem no
crescimento do uso desse recurso natural. Essa fonte de energia pode ser
diretamente transformada em energia eltrica atravs de painis solares com clulas
fotovoltaicas, assim como pode auxiliar na reduo do consumo de energia eltrica,
utilizando a iluminao natural como fonte de calor para aquecimento de gua e
ambientes.
Este trabalho de concluso de curso teve como objetivo utilizar duas
arquiteturas de redes neurais artificiais para predizer a radiao global horizontal e a
iluminncia para 1 hora frente, e comparar os resultados obtidos para determinar
qual das arquiteturas obteve o melhor resultado. Tanto a radiao quanto a
iluminncia so variveis que auxiliam no estudo e desenvolvimento de projetos que
utilizam a energia solar como fonte de energia. Desta forma, este trabalho sugere o
incentivo ao desenvolvimento de pesquisas que proporcionem conhecimentos
necessrios para a implantao desses projetos.
A base de dados utilizada foi obtida no projeto SONDA (Sistema de
Organizaao Nacional de Dados Ambientais), e a estao de coleta dos dados
escolhida est localizada na cidade de Petrolina, no estado de Pernambuco.
Os resultados obtidos pelas simulaes das RNAs com os dados de radiao
global horizontal apresentaram valores muitos altos para os dados desnormalizados.
Esse resultado sugere que, para que seja possvel predizer essa varivel,
necessrio o uso de outras variveis em conjunto. Porm, para este trabalho foram
utilizados os valores de radiao normalizados, os quais foram simulados apenas na
Captulo 5 Concluso e Trabalhos Futuros
Rafael Lopes Mendona 43
arquitetura Multi-Layer Perceptron (MLP). Foram utilizadas 48 configuraes
diferentes para a simulao dessa varivel na MLP.
Atravs dos testes estatsticos, foi possvel determinar que a configurao da
MLP, para a varivel de radiao que apresentou o melhor desempenho foi a
MLP_E6_A02_B06_N12. Esta configurao tem neurnios de entrada, taxa de
aprendizagem , momento e neurnios na camada escondida.
Para as simulaes realizadas com os dados de iluminncia, o resultado
obtido se apresentou coerente para os valores desnormalizados e foi possvel utilizar
as duas arquiteturas previamente definidas. Foram utilizadas 4 configuraes
diferentes para as simulaes dessa varivel na MLP, que foram comparadas com o
desempenho obtido pela Rede com Funo Base Radial (RBFN).
A partir dos testes estatsticos foi, comprovado que a RBFN apresentou
melhor desempenho que as 4 configuraes escolhidas para a MLP.
5.2 Trabalhos Futuros
Como trabalhos futuros, pretende-se a realizao de um estudo mais
aprofundado da predizao da radio global horizontal, como a definio de quais
variveis auxiliam na previso, estudo do uso de outras arquiteturas de redes
neurais, e outras configuraes para os parmetros utilizados por esse trabalho.
Desta forma ser possvel determinar quais fatores influenciam de forma positiva
para a predio da radiao.
Bibliografia
Rafael Lopes Mendona 44
Bibliografia
[1] ATLAS BRASILEIRO DE ENERGIA SOLAR. Disponvel em: <
http://sonda.ccst.inpe.br/publicacoes/atlas_solar.html> Acesso em: 11 de
outubro de 2014.
[2] ATLAS DE ENERGIA ELTRICA DO BRASIL ANEEL. Disponvel em:
Acesso em: 23 de novembro de 2014.
[3] BRAGA, A. de P.; CARVALHO, A. P. de Leon Filho; LUDEMIR, T. Redes
Neurais Artificiais: Teoria e Aplicaes. Rio de Janeiro: LTC, 2000.
[4] CARVALHO, Andr Ponce de Leon F.. Redes Neurais Artificiais. Disponvel
em: Acesso em: 11 de
outubro de 2014.
[5] DA SILVA LEAL, SRGIO; TIBA, CHIGUERU. Medidas e modelagem da
iluminncia para diversas condies de cu no Nordeste do Brasil. 2006.
Dissertao (Mestrado). Programa de Ps-Graduao em Tecnologias
Energticas e Nucleares, Universidade Federal de Pernambuco, Recife, 2006.
[6] GALVANI, EMERSON; ESCOBEDO, JOO FRANCISCO; PEREIRA, ANDR
BELMONT. Balano de radiao e fluxo de calor no solo em ambiente natural
e protegido cultivado com pepineiro. Bragantina, Campinas, v.60, n. 2, 2001.
Disponvel em: Acesso em: 11 de outubro de 2014.
[7] GEIGER, R. Manual de microclimatologia: o clima da camada de ar junto ao
solo. 3.ed. Lisboa: Fundao Calouste Gulbenkian, 1961. 556p.
[8] HAYKIN, S. Redes Neurais: Princpios e Prticas. Bookman, 2007.
[9] Jornal do Comrcio. Governo de Pernambuco compra energia solar.
Disponvel em:
Acesso em:
22 de setembro de 2014.
Bibliografia
Rafael Lopes Mendona 45
[10] LAM, J. C. And LI, D. H., (1999) An analysis of daylighting and solar heat for
cooling dominated office buildings, Solar Energy, Vol. 64, No. 4, pp. 251-262.
[11] MONTEITH, J.L; UNSWORTH, M.H. Principles of environmental physics.
2.ed. London: Edward Arnald, 1990. 291p.
[12] NEO SOLAR ENERGIA. Energia solar. Disponvel em:
Acesso em
11 de outubro de 2014.
[13] REDE SONDA. Sobre o projeto SONDA. Disponvel em:
Acesso em: 11 de outubro
de 2014.
[14] SOUZA,Rodrigo C. T. de. Previso de Sries Temporais Utilizando Rede
Neural Treinada por Filtro de Kalman e Evoluo Diferencial. 2008.
Dissertao de Mestrado (Mestrado em Engenharia de Produo e Sistemas)
Pontificia Universidade Catlica do Paran PUCPR, Curitiba, 2008
[15] VALENA SILVA, J. M. Fundamentos das Redes Neurais. [S.I.]: Livro Rapido,
2011.
[16] WERBOS J., P. Beyond Regression: New tools for prediction and analysis in
behavioral sciences. Tese (Doutorado) Havard University, 1974.
Apndice A
Rafael Lopes Mendona 46
Apndice A
Estudo da Quantidade de
Neurnios na Camada Escondida e
Topologias MLP Para Dados de
Iluminncia
Para a MLP_02_08 o resultado para o teste da quantidade de neurnios na
camada escondida apresentou o seguinte resultado:
Como pode ser observado, a quantidade de neurnios que apresentou o
melhor desempenho foi 6. Portanto, a topologia para esta configurao da MLP,
para valores de iluminncia, foi a respresentada pela Figura 14.
Estudo do EMQ por nmero de neurnios na camada escondida para
e .
[Fonte : elaborao prpria]
Apndice A
Rafael Lopes Mendona 47
Para a MLP_04_06 o resultado para o teste da quantidade de neurnios na
camada escondida apresentou o seguinte resultado:
Como pode ser observado, a quantidade de neurnios que apresentou o
melhor desempenho foi 4. Portanto a topologia para esta configurao da MLP, para
valores de iluminncia, foi a respresentada pela Figura 16.
Topologia para a configurao da MLP com e .
[Fonte : MatLab]
Estudo do EMQ por nmero de neurnios na camada escondida para
e .
[Fonte : elaborao prpria]
Apndice A
Rafael Lopes Mendona 48
Para a MLP_04_08 o resultado para o teste da quantidade de neurnios na
camada escondida apresentou o seguinte resultado:
Como pode ser observado, a quantidade de neurnios que apresentou o
melhor desempenho foi 10. Portanto, a topologia para esta configurao da MLP,
para valores de iluminncia, foi a representada pela Figura 18.
Topologia para a configurao da MLP com e .
[Fonte : MatLab]
Estudo do EMQ por nmero de neurnios na camada escondida para
e .
[Fonte : elaborao prpria]
Apndice A
Rafael Lopes Mendona 49
Topologia para a configurao da MLP com e .
[Fonte : MatLab]