Solar

Revista Brasileira de Ensino de F sica, v. 33, n. 1, 1309 (2011) www.sbsica.org.
br
Aplicaes de redes neurais e previses de disponibilidade co o de recursos energticos solares e

(Forecast of solar energy resource by using neural network methods)
Daniel V. Fiorin1 , Fernando R. Martins2 , Nelson J. Schuch1 e Enio B. Pereira2

2
Centro Regional Sul de Pesquisas Espaciais, Instituto Nacional de Pesquisas Espaciais, Santa Maria, RS, Brasil Centro de Cincia do Sistema Terrestre, Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, SP, Brasil e a e Recebido em 7/1/2010; Aceito em 15/3/2011; Publicado em 28/3/2011 Este trabalho tem como objetivo discutir de forma sucinta a ferramenta matemtica conhecida como rea des neurais articiais e algumas aplicaoes na rea de energias renovveis. Inicialmente, o trabalho descreve a c a a relevncia desta ferramenta estat a stica nas diversas reas do conhecimento e, posteriormente, conceitua e descreve a as principais conguraes poss co veis de uma rede neural articial. Por m, o trabalho demonstra a aplicaao c da ferramenta para o levantamento de disponibilidade de recursos de energia solar no Brasil a partir de dados de superf coletados em estaoes da rede SONDA operada pelo Centro de Cincia do Sistema Terrestre do cie c e Instituto Nacional de Pesquisas Espaciais. Os resultados obtidos at o momento mostram que as redes neurais e podem fornecer estimativas com a conabilidade necessria para avaliaao da disponibilidade de energia solar e a c com melhor desempenho que outras tcnicas estat e sticas utilizadas na literatura. Palavras-chave: energia solar, redes neurais articiais, modelagem atmosfrica, modelos de mesoescala. e This work aims at discussing the articial neural networks (ANN) and some applications in renewable energy assessment. First, the paper describes the statistical relevance of this tool in dierent areas of knowledge and the main ANN concepts and congurations. Finally, the paper presents and discusses the use of ANN for the solar energy assessment in Brazil by using data collected in SONDA sites operated by the Center for Earth System Science of the Brazilian Institute for Space Research. The results show that ANN can provide reliable estimates with better performance than other statistical tools. Keywords: solar energy, articial neural networks, atmospheric modeling, numeric mesoscale models.
1. Introduo ca
A principal preocupao ambiental nos dias atuais diz ca respeito ao aquecimento global e mudanas climticas c a decorrentes do aumento de temperatura do nosso planeta. J de amplo conhecimento o papel desempea e nhado pelo consumo de energia nos processos f sicos associados no s ao aquecimento global como tambm a o e ` fenmenos relacionados ` poluio atmosfrica. No a o a ca e entanto, a disponibilidade e uso de energia est intrina sicamente ligada ao desenvolvimento da sociedade e da nao [1]. Na atualidade, os pa ca ses desenvolvidos so a considerados os principais responsveis pelo aumento a da concentrao do monxido de carbono e outros gases ca o de efeito estufa na atmosfera em decorrncia do elee vado consumo de combust veis fsseis necessrio para a o a manuteno do padro de vida de suas populaes. Toca a co davia, pa como Brasil, ses India, China e Rssia esto u a partilhando cada vez mais esta responsabilidade em
2 E-mail:
razo da demanda crescente por energia para apoiar a o desenvolvimento econmico. A preocupao com os o ca danos ambientais, o compromisso de reduzir as emisses o de gases de efeito de estufa e as perspectivas de esgotamento do petrleo nas prximas dcadas [2-4] so os o o e a fatores que vem impulsionando o desenvolvimento de pesquisas e novas tecnologias para viabilizar a adoo ca de fontes renovveis de energia. a Pode-se acrescentar a esses fatores, a necessidade de diversicao da matriz energtica com o intuito de auca e mentar a conabilidade e a segurana o setor energtico c e de uma nao. Para exemplicar este aspecto, pode-se ca citar as instabilidades na gerao hidroeltrica em razo ca e a da ocorrncia de per e odos prolongados de seca como o ocorrido no Brasil no in desta dcada. cio e No Brasil, a energia solar uma das mais promise soras opes energticas uma vez que a maior parte do co e seu territrio est localizado na regio inter-tropical e o a a recebe elevada irradiao solar durante todo o ano [5]. ca
fernando.martins@inpe.br.
Copyright by the Sociedade Brasileira de F sica. Printed in Brazil.
1309-2
Fiorin et al.
Os principais obstculos para a explorao comercial a ca dos recursos de energia solar so custo ainda elevado a quando comparado `s fontes convencionais de energia, a sua forte dependncia das condies climticas e a ree co a duzida quantidade de informaes de cunho cient co co sobre a disponibilidade e variabilidade temporal e espacial dos seus recursos. As preocupaes ambientais e de segurana enerco c gtica mencionados acima tm propiciado um crescie e mento da demanda por informaes que vem impulsioco nando o desenvolvimento de pesquisas cienticas nas principais instituies de pesquisa do pa com o inco s tuito de desenvolvimento de novas tecnologias para aproveitamento dos recursos de energia solar a um custo comparvel ao apresentado por outras fontes de energia; a e de aprimorar a base de dados cient cos dispon veis para o desenvolvimento de novos projetos e instalaes co de plantas para aproveitamento da energia solar. Atualmente, a previso da incidncia de radiao a e ca solar na superf cie do planeta tambm apresenta ime portncia no gerenciamento de sistemas de gerao e a ca distribuio de eletricidade [6-8]. Diversas metodoloca gias foram desenvolvidas com o intuito de produzir estimativas e previses de irradiao solar em alta resoo ca luo temporal e espacial [9, 10]. ca Modelos numricos utilizados em previso meteoe a rolgica possuem cdigos computacionais para parameo o trizao dos processos radiativos na atmosfera e podem ca ser utilizados para previso da irradiao solar na sua ca perf cie. No entanto, as previses fornecidas por esses o modelos, para um ou dois dias de antecedncia, apree sentam desvios elevados em relao a valores medidos ca em superf cie [8]. Estudos anteriores apontam como causa principal desses desvios elevados a dependncia e da irradiaao solar em relaao ` cobertura de nuvens c c a e `s condies meteorolgicas que envolvem intrinsecaa co o mente processos f sicos no-lineares de dif paramea cil trizao [11-13]. ca Nos ultimos anos, metodologias aplicando redes neurais articiais (RNA) esto sendo desenvolvidas e a utilizadas para previso e avaliao da disponibilidade a ca de recursos de energia solar [14-17]. Este trabalho tem como foco descrever e discutir os modelos de redes neurais desenvolvidos e aplicados para a previso a de parmetros associados ` irradiao solar utilizando a a ca dados coletados na rede SONDA operada pelo Instituto Nacional de Pesquisas Espaciais. Para isso, apresenta, inicialmente, uma reviso sucinta dos conceitos a f sicos associados aos processos radiativos na atmosfera e do conhecimento sobre as redes neurais articiais e sua aplicao na previso e estimativa da irradiao soca a ca lar incidente na superf cie.
mentos atmosfricos e para outros processos trmicos, e e dinmicos e qu a micos que ocorrem na atmosfera e camadas superciais da crosta terrestre [18]. A radiao ca solar que atinge a Terra exibe uma faixa cont nua de comprimentos de onda () entre 0 e 4 m. A temperatura do Sol (5900 K) signicativamente superior a e temperatura da atmosfera e superf terrestre. Concie siderando que ambos seguem aproximadamente a lei de Planck, as emisses de radiao pela superf terrestre o ca cie ocorrem em comprimentos de onda maiores (4 a 100 m com picos de 10 a 12 m) [19]. A Fig. 1 mostra uma representao comparativa do espectro eletromagntico a e da radiao emitida pelo Sol e pela Terra. Costumaca se utilizar o termo radiao de onda curta para a ca radiao eletromagntica emitida pelo Sol, isto , raca e e diao com comprimentos de onda inferior a 4 m. ca Em contrapartida utilizada a expresso radiao de e a ca onda longa para a radiao emitida pela Terra uma ca vez que est possui comprimentos de onda superiores a a 4 m [20].
Figura 1 - Representao grca comparativa dos espectros da ca a radiaao eletromagntica emitida pelo Sol (5900 K) e pela nosso c e planeta Terra (290 K).
2.
Processos radiativos na atmosfera
O Sol a principal fonte de energia de nosso planeta, e e a radiao solar constitui a fora motriz para os movica c
As regies do espectro eletromagntico podem ser o e classicadas em intervalos de comprimento de onda como base nas caracter sticas e mecanismos espec cos de interao com os constituintes atmosfricos que no ca e a fazem parte do escopo deste trabalho. A Tabela 1 apresenta a classicao para a radiao de onda curta coca ca mumente encontrada em publicaes cient co cas. A poro mais signicativa do espectro, associada ca com transferncia de energia radiativa na atmosfera, e e compreendida entre a faixa de comprimentos de onda da radiao ultravioleta e infravermelha-prximo [21]. ca o A radiao vis corresponde a aproximadamente 43% ca vel do total emitido de energia emitida pelo Sol. Aproximadamente 49% da radiao emitida esto na regio ca a a do infravermelho-prximo, e apenas cerca de 7% apreo sentam comprimentos de onda no ultravioleta. Menos de 1% da radiao solar emitida como raios X, raios ca e gama e ondas de rdio. a
Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e
1309-3
Tabela 1 - Subdivises do espectro eletromagntico nas regies da radiao ultravioleta, vis o e o ca vel e infravermelho. Regio a Ultravioleta (UV) Comprimento de onda 10-400 nm Subdiviso a UV-C UV-B UV-A Violeta Indigo Azul Verde Amarelo Alaranjado Vermelho IV Prximo (NIR) o IV de onda curta IV Mdio e IV de onda longa IV Distante Comprimento de onda 10-280 nm 280-320 nm 320-400 nm 400-430 nm 430-450 nm 450-500 nm 500-570 nm 570-590 nm 590-610 nm 610-700 nm 0,7-1,5 m 1,5-3,0 m 3,0-8,0 m 8,0-15 m > 15 m
Vis vel (VIS)
400-700 nm
Infravermelho (IV)
700 nm-1000 m
Fonte: http://www.geotec-rs.com.br/espectro.html.
A radiao solar, aps atingir o topo da atmosfera, ca o sofre processos de absoro e espalhamento ao longo do ca seu percurso [22]. Cerca de 25% da radiao solar inca cide na superf da Terra sem nenhuma interferncia cie e da atmosfera, o restante absorvido, ou espalhado em e direo ` superf da Terra ou em direo ao espao. ca a cie ca c Estes processos esto ilustrados quantitativamente na a Fig. 2, e dependem do comprimento de onda da radiao, alm da dimenso e natureza do material que ca e a interage com a radiao solar. ca
Figura 2 - Representao grca dos processos radiativos que ca a ocorrem na atmosfera.
O espalhamento um processo f e sico no qual um particulado ou molcula de gs no percurso da onda e a eletromagntica continuamente remove energia da onda e incidente, em todos os comprimentos de onda, e dispersa essa energia em todas as direes. As caco racter sticas do espalhamento dependem do tamanho das molculas de gs ou aerossis. No espalhamento e a o Rayleigh, a radiao espalhada por part ca e culas de dimenses muito menores do que o comprimento de onda o da radiao. Neste caso, o espalhamento inversaca e mente proporcional ` 4a potncia do comprimento de a e
onda (Es 1/4 ). Este o caso do espalhamento da e luz vis por gases atmosfricos e responsvel pela cor vel e a azul do cu. e No espalhamento Mie, a radiao espalhada por ca e part culas de dimenses muito prximas ou superio o ores em at 8 vezes o comprimento de onda da rae diao. Neste caso, o espalhamento no depende do ca a comprimento de onda. O espalhamento Mie ocorre nas got culas de nuvens e aerossis atmosfricos. As cao e racter sticas deste espalhamento explicam a tonalidade branca das nuvens, nevoeiros e atmosfera com elevada carga de particulados em grandes centros urbanos. Na absoro da radiao solar, as molculas de gases ca ca e adquirem a energia incidente, que transformada em e movimento molecular interno resultando em aquecimento da atmosfera. Esse processo preponderane temente na presena dos gases absorvedores como o c O3 , CO2 entre outros. Alguns particulados como o black carbon emitido na queima de biomassa tambm e apresentam elevado coeciente de absoro da radiao ca ca solar. A radiao solar tambm responsvel pela ca e e a ocorrncia de diversas reaes fotoqu e co micas na atmosfera terrestre. Um exemplo bastante importante est a relacionado ao ciclo do O3 na estratosfera que utiliza parte da radiao solar na faixa do ultravioleta. A ca Fig. 3 permite a comparao entre os espectros de raca diao solar emitido por um corpo negro a 5900 K ca (linha pontilhada), o espectro de radiao que atinge o ca topo da atmosfera e superf ao n do mar. Podecie vel se observar que os constituintes atmosfricos absorvem e diferentemente os diversos comprimentos de onda da radiao solar e da radiao terrestre alterando o espectro ca ca da radiao ` medida que se propaga na atmosfera. As ca a diferenas entre as curvas ao n do mar e no topo da c vel atmosfera representam a atenuao da radiao ao perca ca correr a atmosfera. A rea sombreada representa a cona tribuio devida ` absoro da radiao por molculas ca a ca ca e do ar, principalmente por H2 O, CO3 , O3 , O2 [23].
1309-4
Fiorin et al.
Figura 3 - Comparao entre os espectros de radiaao eletroca c magntica emitidos por um corpo negro a 6000 K, no topo da e atmosfera e ao n vel do mar.
Dene-se uxo radiante como taxa de transferncia e de energia por radiao eletromagntica, expresso em ca e unidades de energia por unidade de tempo: Joules por segundo (J.s1 ) ou Watts (W). A densidade de uxo radiante (irradincia), expressa em Watts por metro a quadrado (W.m2 ), representa o uxo radiante atravs e de uma unidade de rea. a A mdia anual da irradincia solar total incidente no e a topo da atmosfera (TDA) em um plano perpendicular a direo da radiao solar conhecida como constante ca ca e solar (ISC ). O valor de ISC de aproximadamente e 1368 W.m2 , no entanto, este valor varia ao longo do ano como funo da distncia Terra-Sol e do ngulo zeca a a nital solar (z ). O ngulo zenital solar denido como a e a ngulo formado entre o znite local e uma linha imae ginria que une a superf horizontal ao Sol. O znite a cie e local o ponto no espao que forma um ngulo de 90 e c a com a superf terrestre. cie Os valores instantneos da irradiao solar no topo a ca da atmosfera (I0 ) so calculados por mtodos numricos a e e descritos em [20] I0 = ISC E0 cos z , (1)
Irradincia direta: consiste na irradincia ina a cidente numa superf horizontal que no sofreu necie a nhum processo radiativo na atmosfera (compe o feixe o de radiao proveniente do Sol nenhum espalhamento ca por constituinte atmosfrico); e Irradincia difusa: consiste na irradincia incia a dente numa superf horizontal decorrente do espalhacie mento por constituintes atmosfricos (molculas, matee e rial particulado, nuvens, etc.) responsvel pela ilua minao de reas que no recebem iluminao direta ca a a ca do Sol; Irradincia global: consiste na totalidade da ira radincia incidente numa superf horizontal, isto , a a cie e somatria das irradincias direta e difusa; o a Irradincia direta normal: consiste na frao a ca da irradincia solar proveniente diretamente do Sol com a incidncia normal ` superf e, portanto, est intrinsee a cie a camente associada ao ngulo zenital solar e a inclinao a ca da superf em relao ` horizontal; cie ca a Irradincia atmosfrica: consiste na irradia e a ncia de onda longa emitida por camadas da atmosfera situadas acima do plano de observao e que incide em ca superf horizontal. cie Indice de transparncia atmosfrica (Kt ): e e e denido como a razo da irradiao solar global incia ca dente na superf (I) e a irradincia solar no topo da cie a atmosfera (I0 ) I . I0
Kt = 2.1.
(3)
Interaes entre radiao solar e nebulosico ca dade
onde E0 fator de correo da excentricidade da Terra. e ca O total dirio da irradiao solar no topo da atmosfera a ca (H0 ) pode ser determinado a partir de ISC E0 [h0 sen()sen() + cos() cos()sen(h0 )], H0 =
(2)
onde () a latitude do local na superf da Terra e e cie () a declinao solar. e ca A radiao solar (onda curta) que incide na suca perf costuma ser classicada com base nos procescie sos radiativos em que estiveram envolvidos ao longo do percurso pela atmosfera. Dessa forma, deve-se ter em mente algumas denies e termos tcnicos bastante co e usuais na literatura cient ca:
As nuvens possuem um papel importante no balano c radioativo da atmosfera. A sua inuncia na transe mitncia da radiao solar complexa, e varia com a ca e as caracter sticas das nuvens tais como profundidade o ptica, forma, quantidade, tipo e altura e ainda com o ngulo zenital solar. Dene-se albedo como a frao a ca da radiao solar incidente que reetida por uma suca e perf cie. Os topos das nuvens so os mais importantes a reetores da atmosfera, tendo o seu albedo variando entre 40% para nuvens nas com menos de 50 m, a 80% para nuvens espessas, com mais de 5000 m. De maneira geral, quanto maior a quantidade de gua (got a culas ou gelo), maior ocorrncia de espalhamento Mie (maior e albedo) e menor a incidncia de irradiao solar direta e ca na superf cie. Outro fator importante no papel desempenhado pelas nuvens no balano radiativo da atmosfera est c a relacionado com a sua altitude. Nuvens mais altas apresentam menores temperaturas, emitem menos energia ao espao, absorvem mais efetivamente o calor emic tido pela superf cie, reetem menos a radiao solar ca incidente, e, portanto, atuam no sentido de aquecer a atmosfera. Por outro lado, nuvens de baixas altitudes
1309-5
esto mais aquecidas, reetem mais efetivamente a raa diao solar incidente, e ainda possuem pouca absorca tividade da energia emitida pela superf do planeta, cie agindo, desta forma, para resfriar a atmosfera. A nebulosidade o principal fator de modulao da e ca irradiao solar que incide na superf do planeta, e ca cie ainda, a principal fonte de erro nas estimativas obtidas com o uso de modelos numricos de transferncia radiae e tiva em razo da complexidade dos processos radiativos a em que est envolvida [6]. a 2.2. Modelos computacionais para estimativa da radiao solar incidente ca
regio para a qual suas expresses emp a o ricas foram desenvolvidas. Os modelos de redes neurais articiais e regresses lineares mltiplas desenvolvidos neste trao u balho podem ser considerados modelos estat sticos, utilizando dados solarimtricos, elicos e meteorolgicos, e o o para estimar a radiao solar incidente para a regio ca a espec ca de onde so provenientes as informaes de a co entrada dos modelos.
3.
Redes neurais
O conhecimento da disponibilidade de energia solar na superf cie de nosso planeta tem aplicaes imporco tantes em diversas reas das atividades humanas como, a por exemplo, a agricultura, a arquitetura, a sade, a u indstria e lazer. A demanda por estimativas e preu vises da incidncia de radiao solar vem crescendo a o e ca cada dia e so essenciais para o planejamento e gerencia amento de diversos setores da economia entre os quais podemos destacar o setor energtico. A avaliao da e ca disponibilidade de energia solar e sua variabilidade temporal e espacial pode ser realizada com uso de dados coletados por uma rede de radimetros (sensores o de radiao solar) aliados a tcnicas de interpolao. ca e ca No entanto, para regies de grande extenso, a imo a plementao e manuteno de uma rede de sensores ca ca necessria para gerar dados com a preciso necessria a a a para as diversas aplicaes torna-se proibitivo [24, 25]. co A adoo de modelos computacionais para obteno ca ca de estimativas da radiao solar com uso de relaes ca co emp ricas ou pela soluo da equao de transca ca ferncia radiativa (ETR) constitui-se uma alternativa ` e a metodologia anterior. Para mapear da disponibilidade de energia solar no territrio brasileiro, a adoo de o ca modelos computacionais que utilizam dados de satlite e tem-se mostrado a melhor alternativa [6]. Os modelos computacionais podem ser classicados em modelos estat sticos e modelos f sicos. Os modelos f sicos caracterizam-se por utilizar mtodos matemticos que e a visam simular os processos f sicos atmosfricos e solue cionar a equaao de transferncia radioativa. Apesar c e de no apresentarem restrio espacial, eles necessia ca tam de informaoes conveis sobre as condies atc a co mosfricas, sendo que nem sempre tais informaes so e co a dispon veis ou apresentam a conabilidade esperada. O modelo BRASIL-SR, desenvolvido e atualmente em uso no INPE, utiliza dados de satlite e medidas de sue perf cie para solucionar a ETR para determinar estimativas da irradiao solar incidente na superf [6]. ca cie Os modelos estat sticos caracterizam-se por utilizar expresses emp o ricas para estimativa da radiao inca cidente em funo de alguma propriedade do sistema ca Terra-Atmosfera medida por satlite ou por instrumene tos de superf cie, cando com sua validade restrita ` a
Redes Neurais Articiais (RNAs) so sistemas paralelos a e distribu dos constitu dos de unidades simples, os nodos ou neurnios, que computam funes matemticas o co a (especialmente no-lineares). As RNAs apresentama se como ferramentas estat sticas capazes de armazenar conhecimentos a partir de exemplos, e vem sendo aplicadas em problemas de ajuste de funes, reconheco cimento de padres, modelos de previso e outras o a aplicaes em diversas reas do conhecimento humano. co a A principal razo para sua ampla gama de aplicaes rea co side na capacidade de generalizao, auto-organizao, ca ca e processamento temporal que possibilita a resoluo ca de diferentes problemas complexidades. De maneira anloga ao sistema nervoso de um ser a humano, os nodos so dispostos em uma ou mais caa madas e interligadas por inmeras conexes, geralmente u o unidirecionais, denominadas sinapses. A estas conexes o associam-se valores, denominados pesos sinpticos, resa ponsveis pela ponderao das entradas de cada nodo a ca como forma de armazenamento do conhecimento de um determinado modelo [26, 27]. 3.1. Breve histrico do desenvolvimento das o RNAs
Na dcada de 40, o psiquiatra e neuro-anatomista Ware ren McCulloch e o jovem matemtico Walter Pitts pua blicam, em 1943, o primeiro trabalho a propor um modelo articial de um neurnio biolgico. Neste modelo o o simples, ilustrado na Fig. 4, o nodo possui n terminais de entrada (x1 , x2 , ... xn ), por onde alimentado com e sinais provenientes das sa das de outros neurnios ou o por informaes de entrada da rede. Esses sinais ou co informaes so ponderados por pesos xos (w1 , w2 ,... co a wn ) das sinapses. Caso o somatrio () dos produtos o xi. wi , apresente valor igual ou superior a um limiar (threshold ), o sinal de sa (y) do nodo recebe o valor da igual a 1 (nodo excitado). Por outro lado, se o somatrio apresenta resultado inferior ao limiar, a sa o da do nodo zero [28]. e Donald Hebb (1949) [29] discutiu o aprendizado de redes biolgicas e articiais, propondo que a plaso ticidade da aprendizagem de redes neurais articiais seria decorrente das variaes dos pesos de entrada co dos nodos enquanto o aprendizado de nodos biolgicos o dava-se pelo reforo das ligaes sinpticas entre noc co a
1309-6
Fiorin et al.
dos excitados. Em 1958, Frank Rosenblat apresentou seu modelo de RNA, o perceptron de uma camada, demonstrando que nodos de McCulloch e Pitts dotadas de sinapses ajustveis conforme sa a das desejveis poderiam ser treinadas para classicar certos a tipos de padres. Ele descreveu a tipologia da RNA, o a estrutura das ligaes, e o mais importante, props co o um algoritmo de treinamento para seu modelo executar algumas funes [30]. co
Figura 4 - Representao de um neurnio articial (Nodo) de ca o acordo com a proposta apresentada por McCulloch e Pitts [28].
4 parmetros principais: nmero de camadas da rede, a u nmero de nodos em cada camada, tipo de conexo enu a tre nodos, e a topologia da rede. Em relao ao nmero de camadas, existem redes ca u de camada unica, que possuem somente um nodo entre as camadas de entrada e sa da rede, sendo restrida tas a resolver problemas linearmente separveis. As a redes neurais de mltiplas camadas possuem mais de u um neurnio entre uma entrada e uma sa da rede. o da As conexes entre os nodos podem ser do tipo feedo forward (ou ac clica), quando a sa de um nodo s da o poder servir de entrada para nodos de uma camada a posterior, ou do tipo feedback (c clica), na qual a sa da de um nodo pode servir de entrada para um nodo de uma mesma camada ou de uma camada inferior. Quando a ocorre a realimentao da sa nas camadas ca da de entrada a RNA dita recorrente. Entre as principais e classes de RNAs, podemos destacar as redes Percepton e Adaline, j mencionadas neste texto, as Perceptrons a de Mltiplas Camadas (MLP), Memrias Matriciais, u o Self-Organizing, Processamento Temporal, entre outras. Maiores detalhes sobre as diversas topologias podem ser encontradas em diversos textos de referncia sobre e o tema [35, 36]. 3.3. Perceptrons de m ltiplas camadas u
Em 1960, Widro e Ho apresentaram o seu modelo denominado Adaline (ADAptive LInear NEuron) que diferenciava-se do perceptron por possuir sa binrias da a bipolares (-1 ou 1) ao invs das sa e das unipolares (0 ou 1). O ajuste dos pesos era feito com uso do mtodo e do gradiente para minimizao do erro em funo dos ca ca erros de suas sa das analgicas atravs do, que cou coo e nhecida como regra delta ou regra de Widrow-Ho [31]. Nos anos 70, a pesquisa e desenvolvimento de mtodos e aplicaes das RNAs sofreram um grande e co reduo em consequncia do trabalho de Minsky e Paca e pert, que alertava para o fato dos perceptrons estarem limitados somente a problemas linearmente separveis. a Minsky e Papert (1970) [32] tambm armavam que o e processo de aprendizagem no garantia a convergncia a e para RNAs com mais de uma camada, e questionavam o aumento signicativo das necessidades computacionais para a soluo de problemas mais complexos. A retoca mada das pesquisas aconteceu na dcada de 80, aps e o Hopeld (1982) [33] demonstrar as propriedades associativas das RNAs com problemas f sicos, e a descrio ca do algoritmo de treinamento back-propagation (1986) que possibilitou `s redes de mltiplas camadas solua u cionarem problemas com alta complexidade [33, 34]. A partir da houve uma nova exploso de interesse , a cient co pelas RNAs baseado nos avanos da tecnoloc gia, especialmente microeletrnica, e na estagnao nas o ca pesquisas da linha simbolista de inteligncia articial. e 3.2. Arquiteturas das RNAs
As RNAs do tipo Perceptrons de Mltiplas Camadas u (Multilayer Perceptron MLP) so redes que apresena tam uma ou mais camadas de nodos intermedirios ou a escondidos. As redes MLP so muito utilizadas por a apresentarem maior simplicidade e facilidade de implementao. Na Fig. 5 temos um exemplo de MLP com ca trs entradas, duas camadas intermedirias com quatro e a neurnios e uma camada de sa com um neurnio, o da o produzindo uma unica informao de sa ca da.
Figura 5 - Representaao grca de uma RNA-MLP com duas c a camadas intermedirias. a
A escolha da arquitetura de uma RNA est relacionada a com o tipo de problemas a ser abordado e denida por e
A camada de entrada muitas vezes ignorada por e diversos autores por que apenas recebe e distribuem dados, no realizando nenhuma operao matemtica. a ca a As redes MLP apresentam maior poder computacional, atribu as suas camadas internas, podendo trabalhar do
1309-7
com dados no linearmente separveis. As redes com a a uma camada intermediria podem representar qualquer a funo cont ca nua enquanto as redes que possuem duas ou mais camadas intermedirias podem, teoricamente, a implementar qualquer funo, linearmente separvel ou ca a no, sendo que a preciso dos resultados gerados pela a a RNA est relacionada com o nmero de nodos nas caa u madas intermedirias [37]. a Os neurnios (nodos) em redes MLP diferem-se o do modelo de McCuloch e Pitts [28], por permitirem a sa de um valor qualquer ao invs de ter o soda e matrio ponderado das entradas comparado a um limio ar gerando um sinal de sa binrio (0 ou 1). Para isso, da a desenvolveram-se novos modelos de neurnios articio ais aos quais se aplicam funes de ativao aos valores co ca ponderados da entrada. Essas funes so geralmente co a no-lineares, para que possam representar problemas a no lineares e diferenciveis. O neurnio apresentado a a o na Fig. 6 pode ser visto como um neurnio genrico o e dentro da estrutura de uma rede MLP.
Figura 7 - Representao grca de diferentes funoes de ativao: ca a c ca (a) funo degrau; (b) funao linear; (c) funo log ca c ca stica; (d) funo tangente hiperblica. ca o
Funo limiar ca (vj ) = Funo linear ca (Vj ) = Vj Sigmide log o stica (vj ) = Sigmide Tg.hip.: o (vj ) = tgh vj 1 exp(vj ) = 2 1 + exp(vj ) (9) 1 1 + exp( vj ) (8) (7) + se vj 0 se vj < 0 (6)
Figura 6 - Modelo de um neurnio articial de uma rede MLP. o Fonte: Adaptado de Haykin [27].
Na MLP, o somatrio ponderado dos valores das eno tradas combinado com outro valor ajustvel, denomie a nado bias (bj ), que tem a funo de expandir ou reduzir ca a entrada l quida da funo de ativao para ajustar o ca ca chamado n vel de atividade interna do neurnio (vj ). o A sa do neurnio (yj ) produzida pela aplicao da da o e ca funo de ativao () ao n de atividade interna do ca ca vel neurnio. Estas relaes so descritas por o co a
m
vj =
i=1
wji xi + bj yj = (vj )
(4) (5)
As funes de ativao so denidas para uma peco ca a quena faixa de valores. A funo limiar geralmente posca sui valor = 1, trabalhando no intervalo entre -1 e 1, o mesmo intervalo da funo tangente hiperblica, ena o quanto que a funo log ca stica aplicada no intervalo e entre 0 e 1. As funes sigmides so as funes mais empreco o a co gadas nas camadas internas de uma MLP por serem cont nuas, crescentes, diferenciveis e no-lineares. a a Muitos autores sugerem o emprego da funo linear, ca denida com = 1, na camada de sada da rede de forma que a sua sa seja igual ao n de atividade da vel interna. 3.4. Escolha da topologia de uma rede MLP
As funes de ativao mais comumente utilizadas co ca so a funo limiar (degrau), a funo linear e as a ca ca funes sigmides log co o stica e tangente hiperblica. Eso tas funes so representadas respectivamente pelas co a Eqs. (6) a (9) e possuem o comportamento de seus sinais de sa esboados na Fig. 7. da c
O nmero de camadas e nodos a serem utilizados em u uma MLP deve ser determinado de forma emp rica, pois depende de alguns fatores tais como complexidade do problema em estudo, nmero de exemplos de treinau mento, quantidade de ru presente nos exemplos, e do distribuio estat ca stica dos dados de treinamento.
1309-8
Fiorin et al.
Apesar de haver mtodos propostos para denir a e topologia da RNA para uma aplicao sabe-se que o ca melhor caminho construir diferentes modelos, com e diferentes funes de ativao, diferentes mtodos de co ca e treinamento, diferentes nmeros de camadas e nodos u com o intuito de avaliar a combinao que melhor ca atende aos requisitos estabelecidos para a aplicao. ca Na verdade, busca-se encontrar um equil brio entre a rigidez e a exibilidade da rede. Ela no deve ser a r gida a ponto de no modelar elmente os dados e nem a ex em demasia a ponto de modelar at para detervel e minao do nmero de nodos da rede, o ru nos daca u do dos. Normalmente, aconselhvel a adoo de tcnicas e a ca e de pruning para otimizao da topologia. Tais tcnicas ca e consistem em comear o treinamento com um nmero c u superdimensionado de nodos e ir eliminando os nodos que apresentarem as ligaes sinpticas mais fracas co a (menores pesos). Outra tcnica importante o processo e e de regularizao utilizado para reduo dos pesos e conca ca sequente indicao quais nodos devem ser eliminados ca da rede. Outra forma de reduzir o tamanho da rede e avaliar estatisticamente quais as informaes e variveis co a relacionadas ao problema em estudo que so realmente a importantes para alimentar a RNA de modo a excluir aquelas que no inuem signicativamente nos resultaa dos. O mtodo dos fatores de contribuio para reduo e ca ca do nmero de variveis de entrada utiliza a soma dos u a valores absolutos dos pesos das ligaes sinpticas enco a tre o nodo de entrada e os nodos da primeira camada interna para avaliar quais parmetros so os mais ima a portantes para a rede. Quanto maior for o somatrio o dos pesos, maior a importncia daquele parmetro e a a para a rede [35]. 3.5. Treinamento e aprendizagem das RNAs
para treinamento das RNAs.
Figura 8 - Mecanismo do aprendizado supervisionado.
O aprendizado supervisionado pode ser classicado em treinamento dinmico e treinamento esttico. a a No primeiro ocorrem alteraes na estrutura de rede co (reduo ou aumento do nmero de camadas, nmero ca u u de nodos em cada camada e nmero de conexes). Por u o outro lado, no treinamento esttico, empregado neste a trabalho, somente os valores dos pesos sofrem alteraes co e a topologia da rede mantida inalterada. e Em resumo, no treinamento supervisionado esttia co, a RNA compara o valor de sa calculado com o da valor esperado, e avalia o erro decorrente das diferenas c entre ambos. Assim, com a discrepncia conhecida, os a pesos sinpticos so modicados de forma a minimizar a a o erro e encontrar a melhor relao entre os informaes ca co de entrada e sa da. Algebricamente, o termo e(t) relativo ao erro escrito como a diferena entre o valor y(t) e c calculado pela RNA no instante t e o valor da sa esda perado d(t) ej (t) = dj (t) yj (t). (10)
A cada etapa de treinamento so feitas pequenas a modicaes nos pesos, provocando uma minimizao co ca incremental dos erros, convergindo em direo do valor ca esperado. A forma genrica de alterao dos pesos e ca e dada por: wj,i (t + 1) = wj,i (t) + e(t)xi (t), (11)
Na fase de aprendizagem ou treinamento, um conjunto de exemplos apresentado para a rede, que ajusta e os seus pesos sinpticos de forma iterativa at que a e ela extraia as caracter sticas para representar as informaes fornecidas. Posteriormente, estes pesos so co a xados e utilizados para gerar solues para novos vaco lores fornecidos como entrada. Para o treinamento das RNAs podem ser utilizados diferentes algoritmos de treinamento que diferem basicamente pelo modo como realizado o ajuste e dos pesos. Os algoritmos de treinamento dividemse em dois paradigmas: Aprendizado Supervisionado e Aprendizado No-Supervisionado. No aprendizado a no-supervisionado fornecido ` rede somente valores a e a de entrada que so organizados em diferentes classes de a acordo com a semelhana de suas propriedades atravs c e do ajuste de seus pesos da rede. No treinamento supervisionado existe um supervisor externo que fornece a rede tanto os valores de entrada dispon veis quanto os valores de sa esperados. O aprendizado supervida sionado, ilustrado na Fig. 8, o mtodo mais comum e e
onde a taxa de aprendizado que determina a velocie dade com que os pesos sero ajustados em direo ao a ca menor erro e xi (t) a entrada para o nodo i no tempo e t. Nos algoritmos em que se mantm a taxa de aprene dizado constante, a determinao deste parmetro ca a e um importante fator no seu desempenho, visto que altas taxas podem fazer a algoritmos oscilar e tornarse instvel enquanto baixas taxas requerem um maior a tempo computacional para atingir o m do treinamento. Nos algoritmos que possuem taxas de aprendizado variveis, elas se adaptam as condies da sua co perf de erro buscando proporcionar a maior taxa de cie aprendizado poss vel enquanto houver estabilidade, e no decorrer do treinamento, a taxa de aprendizado e reduzida. Na prtica adota-se a soma dos erros quadrticos a a de todas as sa das como parmetro de desempenho da a rede, e tambm como funo de custo E(t), descrita na e ca
1309-9
Eq. (12), a ser minimizada pelo algoritmo de treinamento. Este o principio da regra delta de Widrow e e Ho [31] utilizada no treinamento de RNAs. 1 2 e2 (t). j
j
E(t) =
(12)
A funo de custo pode ser visualizada como uma ca superf de erro, com os parmetros livres do sistema cie a (pesos e bias) como coordenadas. Ela pode apresentar um unico ponto de m nimo, quando possui somente funes de ativaao lineares, ou pode apresentar vrios co c a m nimos locais alm do m e nimo global, se houverem nodos no-lineares [26]. O objetivo que, ao longo do a e treinamento, o erro parta de um ponto arbitrrio da a superf e se desloque at o m cie e nimo global. No entanto, quando temos sa das no lineares, o treinamento a da RNA pode se estabilizar em uma regio de m a nimo local, porm com erro maior que o seu m e nimo global. Para garantir que a rede ir encontrar o seu m a nimo global. O algoritmo backpropagation (retropropagao) o ca e mais comumente empregado no treinamento supervisionado de redes MLP [34]. Em uma primeira fase ocorre a propagao do sinal funcional (feedforward ) ca mantendo-se os pesos xos de modo a gerar um valor de sa a partir das entradas fornecidas ` RNA. Na da a segunda fase, as sa das so comparadas com os valores a desejados, gerando um sinal de erro, que se propaga da sa para a entrada, ajustando-se os pesos de forma a da minimizar o erro (retropropagao do erro backpropca agation). O ajuste dos pesos baseado no mtodo do grae e diente para minimizao do erro, isto , a correo ca e ca aplicada a cada peso do neurnio dada pelo produto o e da taxa de aprendizado adotada e a derivada parcial da funo custo em relao ao peso em questo. Ao ca ca a aplicar a regra da cadeia, sem aprofundarmos nos aspectos matemticos, podemos dizer que os ajustes nos a pesos, (wji ), tornam-se dependentes do valor do gradiente local j (t), denido na Eq. (13), onde o termo j (vj (t)) a derivada da funo de ativao aplicada e ca ca ao n de atividade interna do neurnio. vel o j (t) = ej j (vj (t)), wji (t) = j (t) xi (t). (13) (14)
No treinamento por lote, a apresentao de todos os ca exemplos de treinamento ` RNA denominada poca. a e e Durante cada poca, os pesos mantm-se constantes e e e dene-se uma nova funo de custo como a mdia das ca e funes de custo para cada exemplo. Devido ao clculo co a de diferentes gradientes da nova funo de custo para ca cada exemplo, ao nal da poca ajusta-se os pesos, de e acordo com a mdia dos os ajustes calculados para cada e exemplo [27]. Existem diversos algoritmos para implementar o treinamento por retropropagao. Diversos deles foram ca avaliados neste trabalho e sero brevemente descritos a a seguir com foco nas suas principais caracter sticas. O algoritmo de reduo do gradiente por lote (Batch ca Gradient Descent) ajusta os pesos e desvios em direo ca ao gradiente negativo da funo custo. O algoritmo ca Batch Gradient Descent with Momentum apresenta frequentemente melhores resultados ao introduzir o conceito de momento, que leva em conta os ajustes anteriores nos pesos, observando a recente tendncia de e mudanas na superf de erro, desprezando pequenas c cie sinuosidades na superf de erro. Tal comportamento cie evita que o algoritmo que preso a um pequeno m nimo local da superf cie de erro, podendo mais facilmente chegar ao m nimo global [38]. So ditos algoritmos de alto desempenho aquea les que usam tcnicas heur e sticas baseadas na reduo ca do gradiente (variable learning rate backpropagation e RProp) ou baseadas em padres de otimizao o ca numrica Gradiente Conjugado, Quase-Newton, e e Levenberg-Marquardt. O algoritmo Rprop (Resilient Backpropagation) foi desenvolvido com o intuito de reduzir a inuncia da e magnitude dos gradientes nos ajustes de pesos, visto que a derivada de funes sigmides utilizadas em MLP co o pequena para pontos afastados de zero devido ao e comportamento assinttico da funo. Esse fato gera o ca pequenos gradientes locais que acarreta pequenas modicaes nos pesos, e consequente lentido na minico a mizao da funo custo. O algoritmo Rprop utiliza ca ca somente o sinal do gradiente, sendo a magnitude do ajuste varivel conforme a permanncia ou mudana do a e c sinal do gradiente nas sucessivas iteraes. Segue-se a co lgica que se a derivada parcial manteve o sinal, o ajuste o foi insuciente e deve ser ampliado, e do contrrio, se a houve alterao do sinal da derivada, o ajuste foi supeca rior e deve ser reduzido. O algoritmo de Levenberg-Marquardt considerado e o algoritmo mais rpido para redes de tamanho modea rado (at algumas centenas de pesos). Nele, o gradiente e computado pela transposta da matriz Jacobiana que e possui as derivadas primeiras da funo custo em funo ca ca dos erros.
Este algoritmo possibilita tambm o ajuste dos pee sos das camadas internas da rede. O ajuste dos pesos sinpticos pode ser realizado a a cada iterao (treinamento sequencial ) ou aps a apreca o sentao ` rede de todos os exemplos do conjunto de ca a dados de treinamento (treinamento por lote). Segundo Braga e cols. [26], o treinamento sequencial gerale mente mais rpido e requer menor demanda computaa cional (tempo e memria f o sica), porm mais instvel. e e a
1309-10
Fiorin et al.
3.6.
Generalizao ca
Algumas vezes, embora tenha sido atingido um erro m nimo para a RNA durante o treinamento, quando ela aplicada a um novo grupo de dados o erro encontrado e elevado. Costuma-se armar que a rede no adquiriu e a a capacidade de generalizao, pois houve um excesso ca de treinamento (overtting) que acontece, geralmente, quando empregado um nmero grande de nodos nas e u camadas internas da rede. De forma simples, podemos entender que, neste caso, a RNA decora os dados ao invs de apreender seus padres. A generalizao ine o ca dica a capacidade da RNA em aprender atravs de um e pequeno nmero de exemplos e, posteriormente, simuu lar valores coerentes para um grupo desconhecido de dados [26]. Com o intuito de garantir a capacidade de generalizao RNA, alguns mtodos numricos podem ser ca e e aplicados, entre os quais se destacam a regularizao e ca o treinamento com parada antecipada. No mtodo de e regularizao, a funo custo modicada com o intuito ca ca e de minimizar no somente o erro, e(t), como tambm a e os valores dos pesos ao longo do treinamento, visto que pesos elevados esto relacionados com a ocorrncia de a e overtting [38]. A nova funo custo, J, descrita pela ca e Eq. (15) onde k o nmero de nodos na sa e u da, di representa a sa esperada do nodo i, yi a sa gerada da e da pelo nodo i, w o vetor de pesos e o parmetro de e a regularizao que deve ser ajustado de forma emp ca rica, tornando o processo de treinamento bastante complexo. 1 2 1 (di yi )2 + ||w||2 2 i=1
k
J=
(15)
No treinamento com parada antecipada, os dados dispon veis so divididos em um conjunto de aprendizaa gem e um conjunto de superviso. Os pesos so ajustaa a dos empregando somente o conjunto de aprendizagem, porm o conjunto de superviso utilizado para avaliar e a e a capacidade de generalizao da RNA atravs da meca e dida do erro que a RNA apresenta para esse conjunto ao longo do treinamento. A etapa de treinamento intere rompida quando o erro para o conjunto de superviso a comea a crescer, embora o erro do conjunto de aprenc dizagem pudesse ser reduzido ainda mais se o treinamento tivesse continuidade. [35]. 3.7. Aplicaes das redes neurais articiais na co estimativa de recursos de energia solar
As RNAs so ferramentas aptas a resolverem va a rios problemas de cunho geral, tais como, aproximao, classicao, categorizao, predio, modelaca ca ca ca mento, controle, processamento de sinais e imagens, otimizao, etc., nas diversas reas do conhecimento ca a humano como sade, economia, energia, desenvolviu mento tecnolgico e produo industrial entre outras o ca
[26,38]. Na ultima dcada, as RNAs tem tido uma cres e cente aplicao na estimativa e previso de disponibilica a dade de recursos energticos renovveis [11, 39-41]. e a Apesar de tratar-se de uma ferramenta estat stica que considera relaes emp co ricas entre as variveis mea teorolgicas, as RNAs tem-se apresentado como um o mtodo alternativo com boa destreza frente a problee mas no-lineares ou de natureza estocstica como os a a complexos processos f sicos que inuenciam na disponibilidade de energia solar e elica [14]. Diversos estudos o publicados descrevem aplicaes da RNAs com o intuico to de previso ou determinao de estimativas de raa ca diao solar incidente na superf ca cie. Soares e cols. [17] utilizaram redes MLP de 3 camadas, treinadas com o algoritmo padro backpropagation com momento, para a modelar a radiao solar difusa horria na cidade de ca a So Paulo. Os autores constataram que valores media dos de irradiao solar global na superf ca cie, a irradiao ca solar no topo da atmosfera (TDA), valores de umidade relativa e da irradiao de onda longa so informaes ca a co relevantes para esta aplicao de RNA. Neste estudo, os ca autores vericaram que a temperatura do ar e a presso a atmosfrica no inuenciavam na preciso e conabilie a a dade das estimativas produzidas e enfatizaram que medidas de irradiao de onda longa podem substituir daca dos de nebulosidade quando estes no esto dispon a a veis. Al-Alawi e Al-Hinai [42] empregaram uma rede MLP com 15 nodos na camada oculta para estimativa de valores mdios mensais de radiao solar global, utie ca lizando como dados de entrada os valores dirios de a presso, temperatura, umidade relativa, velocidade do a vento, durao de brilho do Sol e latitude da estao. ca ca O modelo desenvolvido apresentou boa capacidade de generalizao, estimando a irradiao solar global para ca ca s tios no utilizados no treinamento com preciso da a a ordem de 95%. Mohandes e cols. [43] realizaram estimativas de valores mdios mensais da irradiao solar global diria e ca a com RNAs do tipo MLP alimentadas somente por dados da durao de brilho do Sol, latitude, longitude e ca altitude de 41 estaes na Arbia Saudita, sendo que co a 31 delas foram empregadas no treinamento da RNA. Os dados coletados nas estaes restantes foram emco pregados na validao das estimativas fornecidas pela ca RNA obtendo-se uma boa concordncia entre os valores a previstos e medidos. Mohandes e cols. [44] repetem o estudo empregando uma RNA com topologia diferente: Radial Basis Function RBF e observaram que esta topologia de RNA tambm vivel para obteno e e a ca de estimativas da energia solar incidente na superf cie, mesmo quando a tcnica comparada com estimativas e e produzidas por modelos clssicos de regresso. a a Mellit e cols. [16], tambm, empregaram RNAs do e tipo Radial Basis Function obtendo bons resultados para a previso de sries temporais de radiao solar a e ca global diria a partir de medidas da irradiao solar a ca global durante um ano de referncia em conjunto com e
1309-11
valores de temperatura do ar e durao do brilho do ca Sol. Elminir e cols. [15] utilizaram RNAs do tipo MLP, treinadas com o algoritmo de Levenberg-Marquardt, para previso de valores dirios de irradiao solar a a ca global, irradiao de onda longa e irradiao ultravica ca oleta utilizando dados de temperatura ambiente, umidade do ar, cobertura de nuvens, direo e velocidade ca do vento. Os resultados obtidos apresentaram boa correlao entre os valores previstos e medidos, tanto para ca a estao onde a rede foi treinada, quanto para uma ca segunda estaao, demostrando a capacidade de generac lizao do modelo desenvolvido. Stetsos and Coonick ca [45] testaram diferentes tipos de RNAs, tais como redes MLP, RBF, ANFIS, recorrentes de Elman, alm e de regresso linear, para a previso da irradiao soa a ca lar horria utilizando sries temporais de temperatura, a e presso, velocidade e direo do vento. Os melhores rea ca sultados foram obtidos empregando a rede do tipo MLP treinada pelo algoritmo de Levenberg-Marquardt. Guarnieri [14] empregou redes MLP, treinadas pelo algoritmo Rprop, no renamento das previses de rao diao solar global do modelo de mesoescala Eta adoca tado operacionalmente para a previso climtica no a a CPTEC/INPE. Ele selecionou 8 entre 36 variveis mea teorolgicas fornecidas pelo modelo Eta/CPTEC para o alimentar a RNA e gerar uma previso de curto prazo a da irradiao solar. O objetivo de seu estudo foi proca duzir previso com maior conabilidade de irradiao a ca solar na superf do que as fornecidas pelo modelo de cie mesoescala. Neste trabalho, o emprego de RNAs no a mostrou superioridade em relao `s regresses lineares ca a o mltiplas quando aplicadas com o mesmo intuito. u 3.8. Notao para descrio das RNAs ca ca
(TAN). A primeira sigla representar a funo de a ca ativao das camadas internas, enquanto a segunda ca sigla representar a funo de ativao da camada de a ca ca sa da. Como exemplo, a RNA descrita por 2-12-6-1 TAN LOG, ter dois nodos na camada de entrada, a 12 nodos na primeira camada interna, 6 nodos na segunda camada interna, 1 nodo na camada de sa com da, funes de ativao tangente hiperblica nas camadas co ca o internas e funo linear na camada de sa ca da.
4.
Aplicao de redes neurais para estica mativa de disponibilidade de energia solar
Neste trabalho ser discutido o desenvolvimento de uma a aplicao para estimativa do ca ndice Kt e do total dirio a de irradincia solar global (H) utilizando a metodoloa gia de RNAs e dados de irradiao solar coletados na ca estao de superf pertencentes ` rede SONDA locaca cie a lizada em So Martinho da Serra (SMS) no Rio Grande a do Sul. Inicialmente, ser apresentada uma descrio a ca sucinta da aquisio de dados de superf em SMS e, ca cie posteriormente, a metodologia desenvolvida e os resultados alcanados. c 4.1. Rede SONDA - estao de So Martinho ca a da Serra (SMS)
Este item tem por objetivo estabelecer uma notao ca para representar as redes do tipo MLP que sero discua tidas neste trabalho, simplicando e facilitando a discusso e compreenso da metodologia e resultados aprea a sentados mais adiante. As redes com uma camada interna sero escritas a como n X 1, onde n o nmero de nodos na e u camada de entrada. Neste estudo estabelecemos que n ser sempre igual ao nmero de variveis de entrada a u a das RNA propostas. Assim, a primeira camada serviu apenas para alimentar a rede com os dados de entrada, no realizando nenhuma ponderao. O a ca ndice X representa o nmero de nodos na camada interna (oculta) u da rede. Apenas um nodo ser utilizado na camada de a sa da, pois teremos apenas uma varivel de sa a da. As redes com duas camadas internas sero escritas no fora mato n X Y 1, onde Y representa o nmero de u nodos na segunda camada interna. Adota-se a seguinte abreviatura para as funes de co ativao das camadas das redes: funo Linear (LIN), ca ca funo Log ca stica (LOG) e funo Tangente Hiperblica ca o
A rede SONDA - Sistema de Organizao Nacional de ca Dados Ambientais foi implantada em 2004 com o objetivo de estabelecer uma infra-estrutura f sica e de recursos humanos destinada a gerar uma base de dados de superf para atender a demanda de informaes cie co para a pesquisa, desenvolvimento e operao da rea ca a de energia renovveis no Brasil. Atualmente, a rede a vem sendo aperfeioada e ampliada com nanciamento c da FINEP e PETROBRAS. A rede SONDA tem propiciado o desenvolvimento de diversos estudos sobre a disponibilidade de recursos energticos renovveis, dos e a quais podemos citar o Atlas Brasileiro de Energia Solar [5], as publicaes sobre cenrios de energia solar co a no Brasil [6,46] e o relatrio com as informaes soo co bre a disponibilidade de energia solar e elica no tero ritrio brasileiro Solar and Wind Energy Resources o Assessment in Brazil SWERA Report [47]. Todas esto dispon a veis em http://sonda.ccst.inpe. br/publicacoes/index.html. A Fig. 9 apresenta a distribuio atual das estaes ca co ao longo de todo o territrio brasileiro para aquisio o ca de dados das diversas componentes da irradiao solar, ca e variveis meteorolgicas (presso atmosfrica, velocia o a e dade e direo do vento em diferentes altitudes, umica dade relativa, precipitao. Em algumas das estaes ca co esto instalados fotmetros solares para aquisio de a o ca dados de espessura tica de aerossis atmosfricos. As o o e estaes SONDA esto classicadas de acordo com a co a
1309-12
Fiorin et al.
instrumentao instalada e o tipo de dados coletaca dos em: Referncia, Elicas, Solares Bsicas e Solares e o a Avanadas. c
Figura 9 - Distribuio das estaoes de dados de superf ca c cie da rede SONDA no territrio brasileiro. Estaoes identicadas com o c forma quadrangular so estaes de referncia com equipamentos a co e para aquisio de dados de energia solar e elica. Maiores deca o talhes sobre a Rede SONDA podem ser obtidas em www.sonda. ccst.inpe.br.
A estao localizada em So Martinho da Serra (RS) ca a uma das cinco estaes de Referncia da rede SONDA e co e e est instalada no campus do Observatrio Espacial a o do Sul do Centro Regional Sul (OES/CRS/INPE) (29 26 S;53 49 W). As estaes de Referncia so as co e a estaes mais completas do Projeto SONDA e realizam co as seguintes medidas: Medidas Solares radiao global horizontal, raca diao direta-normal, radiao difusa horizontal, raca ca diao de onda longa descendente, radiao fotossinca ca teticamente ativa (PAR), iluminncia (LUX), espessura a o tica de aerossis (AOT); o Medidas Meteorolgicas temperatura, umidade o relativa e presso do ar atmosfrico ` superf a e a cie, e precipitao; ca Medidas Elicas velocidade e direo do vento o ca nas alturas de 10, 25 e 50 metros a partir da superf cie, e temperatura nas alturas de 25 e 50 metros. Os principais sensores instalados nas estaes de Reco ferncia SONDA para aquisio de dados das variveis e ca a relacionadas a irradiao solar so: ca a Piranmetro CM 21 com sistema de veno tilao CV 2 (Kipp & Zonen) aquisio de dados de ca ca irradiao solar global na faixa de 300 nm a 2800 nm; ca Piranmetro CM 22 com sistema de veno tilao CV 2 (Kipp & Zonen) efetua medidas de ca radiao solar difusa com alta preciso na faixa de 200 ca a a 3600 nm; Tracker Two-Axis Positioner 2AP (Kipp & Zonen) posicionador de dois eixos que rastreia com
preciso o caminho solar para controle do ocultador utia lizado na aquisio de irradiao difusa e o posicionaca ca mento do pirhelimetro para aquisio de irradiao dio ca ca reta normal; Pirelimetro NIP (Eppley Laboratory, Inc) o efetua medidas de radiao solar direta-normal; ca Pirgemetro PIR (Eppley Laboratory, Inc) o radimetro de infravermelho para aquisio de dados de o ca radiao de onda longa na faixa de 3500 nm a 5000 nm; ca LUX Lite (Kipp & Zonen) aquisio de dados ca na faixa de radiao vis com uso de ltro tico alica vel o ado a um fotodiodo que simula a resposta espectral do olho humano; PAR Lite (Kipp & Zonen) efetua medidas da radiao fotossinteticamente ativa (PAR Photosynca thetically Active Radiation) durante o dia no intervalo de radiao solar vis de 400 a 700 nm; ca vel Anemmetro Modelo 05106 (R.M. Young) o aquisio de dados de velocidade horizontal e direo ca ca do vento nas alturas de 10 m, 25 m e 50 m; Barmetro Vaisala PTB 101 efetua medio das da presso atmosfrica na faixa de 600 a 1060 mbar a e atravs de um sensor capacitivo; e Sensor de Temperatura do ar Modelo 41342 (R.M. Young) efetua medidas da temperatura do ar atravs de um sensor de temperatura de platina e e equipado com um protetor da radiao solar Gill ca Multi-Plate Radiation Shield Model 41002 . Sensor de Temperatura/Umidade Modelo 41372 (R.M. Young) engloba sensor de umidade relativa do ar de alta preciso acoplado com sensor de tema peratura utilizando passagem forada de ar com uso do c protetor Gill Aspirated Radiation Shield model 43408 para evitar erros causados pela chuva e pela radiao ca solar; Total Sky Imager TSI-440 (YES) imageador do cu que utiliza cmera CCD invertida apontada para e a o centro de um espelho hemisfrico convexo que reete e a imagem do cu e fornece a frao do cu coberta por e ca e nuvens em frao opaca e na com uso do TSI Manager ca Software. Os dados coletados so submetidos ` um programa a a de garantia de qualidade com o intuito de validar os dados coletados e colocados a disposio da comuca nidade de interesse [48]. Toda a base de dados coletados com avaliao da qualidade est disponibilizada ca a para acesso pblico e gratuito em www.sonda.ccst. u inpe.br/. Os dados das componentes de irradiao ca solar coletados nas estaes de Referncia tambm poco e e dem ser acessados no website da Baseline Solar Radiation Network (BSRN) (http://www.bsrn.awi.de/) administrada pela World Meterological Organization (WMO). Os dados de AOT so coletados apenas nas estaes a co de referncia com uso de equipamentos estabelecie dos pela AERONET e esto disponibilizados em weba site prprio (http://aeronet.gsfc.nasa.gov/data o
1309-13
menu.html). 4.2. Denies parmetros estat co a sticos utilizados
Dois estudos de casos esto apresentados neste ara tigo. No primeiro estudo foi desenvolvido modelos de RNA com o intuito de obter estimativas para o total dirio de irradiao solar global incidente na superf a ca cie. Como variveis preditoras (dados de entrada da RNAs) a foram utilizados variveis meteorolgicas medidas na a o estao SMS ou na plataforma de coleta de dados meca teorolgicos localizada vizinha ` estao SONDA SMS. o a ca No segundo estudo, RNAs foram desenvolvidas para estimar o ndice de transparncia atmosfrica (ou cleare e ness ndex ) tambm utilizando dados meteorolgicos e o coletados na mesma estao SMS. ca Em ambos os casos, a avaliao do desempenho das ca RNA desenvolvidas para estimativa dos parmetros dea sejados foi realizada utilizando os seguintes parmetros a estat sticos na validao e comparao das estimativas ca ca fornecidas pelas diversas RNAs propostas e os dados coletados em superf cie: Coeciente de Correlao (R): medida de asca sociao linear entre observaes e previses denido ca co o por
n i=1 (yi y )(xi x) n n 2 i=1 (yi y ) i=1 (xi
Erro Quadrtico Mdio (MSE Mean a e Square Error): trata-se do valor do RMSE elevado ao quadrado. Considerando a denio da funo custo ca ca de uma RNA apresentada na Eq. (12) fcil conse a tatar que se este desvio deve ser minimizado durante o treinamento da rede. Neste estudo, ser utilizado a para comparar o desempenho de duas RNAs de tipologia semelhantes. O melhor treinamento ser aquele que a conseguir minimizar ao mximo o valor do MSE do suba grupo de testes do treinamento. Skill: ndice utilizado para comparar dois modelos, quanticando o ganho (ou aperfeioamento) obtido c pelo uso de um modelo em relao ao outro adotado ca como referncia. e IND ref IND , perf ref IND IND
Skill(IND, ref ) =
(19)
R=
x)2
(16)
onde yi so os valores previstos pelas RNAs e xi so a a os valores medidos em superf cie. Por ser independente da escala e por no levar em conta o vis da previso, a e a poss encontrar uma correlao elevada para uma e vel ca previso com erros grandes (vis). a e Vis ou Erro Sistemtico Mdio (MBE e a e Mean Bias Error ): valor que permite vericar se a previso sistematicamente subestimada (valores nea e gativos) ou superestimada (valores positivos). Possui a mesma unidade das previses e observaes ou pode ser o co expresso em % do valor mdio das observaes. e co 1 M BE = N
N
onde IND pode ser qualquer dos ndices de avaliao ca apresentados anteriormente (MBE, RMSE, etc.), calculado para uma previso fornecida pelo modelo a ser a avaliado, IND perf o valor para previso perfeita desse e a ndice (0 para MBE ou RMSE; e 1 para R), e IND ref o e valor do mesmo ndice obtido para a previso fornecida a por um modelo adotado como referncia. Valores de e Skill = 1 representa que a previso perfeita foi atingida a e Skill = 0 signica que no houve ganho em relao a ca a ` previso de referncia. Valores negativos signicam a e que a previso avaliada pior do que a previso de rea e a ferncia e 4.3. Modelagem da estimativa do ndice de transparncia Kt e
(yi xi ),
i=1
(17)
onde N o nmero de dados. e u Raiz do Erro Quadrtico Mdio (RMSE a e Root Mean Squared Error): valor que representa a magnitude mdia dos erros de previso. O RMSE e a e expresso no quadrado das unidades das previses ou, o de forma similar ao MBE, % do valor mdio das obe servaes. co
N
RM SE =
1 N
(yi xi )2 .
i=1
(18)
Para a modelagem do ndice de transparncia foram e utilizados os dados de frao de nuvens nas e opacas ca observadas pelo TSI-440 na estao SMS como predica toras para alimentar as RNAs desenvolvidas. Para o treinamento, superviso e validao das redes foram a ca utilizados os dados de irradiao solar global coletaca dos na mesma estao no per ca odo compreendido entre Maro/2005 a Maio/2008. c Como os dados de frao de nuvens possuem uma ca resoluo temporal de quinze minutos e os dados de ca irradiao solar so coletados a cada minuto, optouca a se por utilizar valores mdios da irradiao solar de e ca um per odo de quinze minutos em torno do horrio de a aquisio das fraes de nuvens. ca co Dessa forma, as RNAs desenvolvidas geram estimativas da irradincia solar mdia no intervalo de quinze a e minutos ao redor do horrio de aquisio dos dados a ca de frao de cobertura de nuvens. Por exemplo, as ca RNAs fornecem a estimativa da irradiao solar mdia ca e no per odo de 11 h 53 min at 12 h 07 min quando e alimentada com as fraes de cobertura de nuvens obco servadas pelo equipamento no horrio de 12 h. a
1309-14
Fiorin et al.
4.4.
Modelagem da integral diria de radiao a ca solar
A Tabela 2 apresenta as variveis escolhidas como prea ditoras para alimentar as RNA que forneceram estimativas do total dirio de irradiao global incidente a ca na superf cie. A seleo teve como base os dados meca teorolgicos coletados na estao SMS e informaes o ca co publicadas na literatura cient ca. Ao todo foram selecionadas nove variveis de entrada, incluindo a irraa diao solar no topo da atmosfera (H0 ) denida no ca tpico 2 deste artigo. A Tabela 2 apresenta tambm o e o fator de correlao entre estas variveis preditoras e ca a o total dirio da irradiao solar incidente na superf a ca cie. O conjunto de dados dispon para o estudo aprevel sentou distribuio sazonal irregular, de forma que dica viso para constituir os diferentes grupos no treinaa mento, superviso e validao das RNAs foi realizada a ca de forma a garantir que no ocorresse concentrao de a ca dados de uma mesma estao sazonal em qualquer um ca dos grupos. Para o estudo estavam dispon veis 401 dias no per odo entre Maro/2005 a Maio/2008. As mdias c e dirias e desvio-padres das estimativas das fraes de a o co nuvens opacas (FNop ) e nas (FNf ) foram calculadas a partir dos dados fornecidos pelo equipamento TSI a cada 15 minutos. As mdias dirias dos dados de e a presso, temperatura e umidade provenientes coletados a na estaao SONDA SMS foram calculadas para todos c os 401 dias dispon veis. Os dados velocidade de vento a 10 m foram coletados na Plataforma de Coleta de Dados PCD do CPTEC/INPE MCT instalada no Observatrio Eso pacial do Sul prxima a estao SONDA SMS uma o ca vez que o anemmetro de 10 m na torre anemomtrica o e da estaao SONDA SMS somente entrou em operao c ca em 2006. A literatura cient ca recomenda o uso de medidas de vento a 10 m e no nas alturas de 25 e 50 m, a por este apresentar maior relao com o clima local. ca Os dados apresentados na Tabela 2 mostram que o total dirio da irradiao global em SMS apresenta a ca maior correlao com as informaes relacionadas `s ca co a
fraes de nuvens e a umidade relativa do ar. Mesmo co assim, todas as variveis foram utilizadas nos estudos a e avaliaes realizadas neste estudo. Aps separao co o ca e tratamento do conjunto de dados, diferentes topologias de RNAs foram treinadas seguindo a metodologia descrita mais adiante no tpico 4.5. o 4.5. Treinamento e regularizao das RNAs ca
A metodologia adotada no treinamento das RNAs a e mesma para as duas aplicaes discutidas neste traco balho. Apenas o tipo da RNA empregada foi mantido xo nas anlises realizadas para as duas aplicaes a co tipo feed-forward (MLP). Todas as combinaes das co demais opes (nmero de camadas, nmero de nodos co u u em cada camada, funes de ativao e o algoritmo de co ca treinamento) foram alvo de intensivos testes que sero a discutidos nos resultados deste trabalho. Antes do in do treinamento, a base de dados foi cio normalizada em relao aos valores mximos e m ca a nimos de cada varivel, Eq. (16). Assim, tanto as variveis de a a entrada quanto os variveis de sa passam a assumir a da valores de 0 a 1. valor-m nimo mximo m a nimo
valor normalizado =
(20)
Os dados normalizados so posteriormente divididos a aleatoriamente na seguinte forma: 50% para o grupo de treinamento; 25% para o grupo de superviso; a 25% para o grupo de validao. ca Uma vez selecionadas as opes relativas ` conco a gurao da topologia da RNA, a rede treinada utica e lizando os grupos de treinamento e superviso da base a de dados. Durante o treinamento, os erros de ambos os grupos estaro sendo reduzidos, porm, somente o a e grupo de treinamento estar sendo fornecido como ea xemplo para o aprendizado da rede. Quando acontecer uma inexo positiva na funo erro do grupo de supera ca viso, o treinamento ser interrompido imediatamente. a a
Tabela 2 - Variveis selecionadas para alimentar as RNAs desenvolvidas para estimativa do total dirio da irradiao global incidente a a ca na superf cie. A segunda coluna apresenta os valores de correlao observados entre os dados coletados para cada varivel preditora e ca a total dirio da irradincia global. a a Varivel preditora a Mdia diria da frao de nuvens opacas (FCopAV G ) e a ca Mdia diria da frao de nuvens nas (FCf AV G) e a ca Desvio padro da frao de nuvens opacas (FCopST D ) a ca Desvio padro da frao de nuvens nas (FCf ST D ) a ca Mdia diria da presso atmosfrica (P) e a a e Mdia diria da velocidade do vento a 10 m (W) e a Mdia diria da umidade relativa (RH) e a Mdia diria da temperatura (T) e a Total dirio de irradiaao solar no topo da atmosfera (H0 ) a c Correlao ca -0,898 -0,561 -0,533 -0,687 0,300 0,048 -0,674 0,090 0,162
1309-15
O treinamento de cada topologia de RNA foi repetido 10 vezes. Ou seja, pelo menos 9 vezes ao trmino do treinamento, os pesos e os valores dos e desvios (bias) da rede foram inicializados a valores aleatrios e o treinamento foi recomeado. Esta iniciao c lizao necessria no sentido de que, dependendo dos ca e a valores iniciais dos pesos e bias, o treinamento comear c a numa regio diferente da superf de erro da RNA, poa cie dendo se encaminhar a diferentes m nimos locais, ou ao prprio m o nimo global. A literatura sugere que uma topologia de rede seja testada com bem mais do que 10 treinamentos, mas neste trabalho foi adotada esta metodologia visto a grande quantidade de topologias testadas em cada anlise. Aps a srie de treinamena o e tos, adota-se a congurao de pesos que apresentou ca o melhor resultado do treinamento (menor erro para o grupo de superviso) [26]. a Aps a concluso do treinamento para determinada o a topologia de RNA, a rede utilizada para estimar o e parmetro de sa alimentada pelo grupo de dados de a da validao. As estimativas fornecidas para esse conjunto ca de dados ser utilizada para avaliar e comparar o dea
sempenho de cada uma das topologias utilizadas para as RNAs.
5.
5.1.
Resultados obtidos
Parmetro Kt a
Para o parmetro Kt , foram inicialmente treinadas a vrias topologias de redes, com uma e duas camadas a internas com funo de ativao tangente hiperblica, ca ca o e funo de ativao linear na camada de sa ca ca da. Por tratar-se de redes com poucos pesos a serem ajustados foi empregado o algoritmo de Levenberg-Marquardt para treinamento. Observa-se nos resultados apresentados nas Tabelas 3 e 4 que o nmero de nodos em uma camada interna u no inuenciou no desempenho da RNA, assim como a o nmero de camadas internas. Na prtica, no comu a a pensa investir em redes com maior nmero de camadas u e de nodos para obter desempenhos muito semelhantes visto que o aumento do nmero de nodos acarreta auu mento do custo computacional no treinamento e no processamento da RNA.
Tabela 3 - Resultados do treinamento de diferentes topologias de redes MLP com uma camada interna empregadas para modelar o parmetro Kt . a Topologias 2-2-1 2-4-1 2-6-1 2-8-1 2-12-1 2-14-1 2-16-1 2-20-1 2-24-1 Treino R MSE 0,84 0,018 0,85 0,017 0,85 0,017 0,85 0,017 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 Superviso a R MSE 0,84 0,017 0,85 0,017 0,85 0,017 0,85 0,017 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 Validao ca MSE MBE% 0,017 -0,01 0,016 0,02 0,017 0,01 0,017 0,07 0,016 -0,21 0,016 0,06 0,016 -0,03 0,016 -0,07 0,016 -0,03
R 0,85 0,86 0,85 0,85 0,86 0,86 0,86 0,86 0,86
RMSE% 24,1 23,6 24,0 24,1 23,3 23,4 23,4 23,4 23,5
Tabela 4 - Resultados do treinamento de diferentes topologias de redes MLP com duas camadas internas empregadas para modelar o parmetro Kt . a Topologias 2-14-1 TAN LIN 2-14-1 LOG LOG 2-14-1 LOG-LIN 2-14-1 TAN TAN 2-14-1 LIN LIN 2-16-1 TAN LIN 2-16-1 LOG LOG 2-16-1 TAN TAN 2-16-1 LOG LIN 2-10-5-1 TAN LIN 2-10-5-1 LOG LOG 2-10-5-1 LOG LIN 2-10-5-1 TAN TAN 2-12-6-1 TAN LIN 2-12-6-1 LOG LOG 2-12-6-1 LOG LIN 2-12-6-1 TAN TAN RLM Treino R MSE 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 0,86 0,015 0,86 0,015 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 Superviso a R MSE 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 Validao ca MSE MBE% 0,016 0,06 0,016 0,08 0,016 0,02 0,016 0,13 0,019 -0,07 0,016 -0,03 0,016 -0,02 0,016 -0,08 0,016 0,26 0,016 -0,10 0,016 -0,18 0,016 -0,06 0,016 -0,05 0,016 -0,14 0,016 -0,03 0,016 -0,02 0,016 -0,12 0,019 -0,08
R 0,86 0,86 0,86 0,86 0,83 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,83
RMSE% 23,4 23,4 23,4 23,5 25,8 23,4 23,3 23,5 23,4 23,4 23,4 23,4 23,4 23,4 23,3 23,4 23,3 25,8
1309-16
Fiorin et al.
Nas Figs. 10 e 11 observa-se o comportamento grco do MSE do grupo de superviso em relao ao a a ca nmero de nodos das camadas internas. Observa-se u que, de modo geral, o erro MSE maior para RNAs e com menos nodos e, que a partir de certo nmero de u nodos, o desvio volta a crescer. Isso ocorre pro que o treinamento interrompido cada vez mais cedo com o e objetivo de evitar o overtting que mais provvel de e a ocorrer para redes maiores.
Figura 10 - Variao do erro quadrtico mdio obtido para difeca a e rentes n meros de nodos na unica camada interna de uma rede u MLP durante a modelagem do parmetro KT . a
log stica, tanto para as camadas internas quanto para a camada de sa proporcionou os melhores desempeda nhos. A Tabela 4 apresenta tambm os resultados obtidos e com o uso de Regresso Linear Mltipla (RLM) utia u lizando as mesmas variveis preditoras para a obteno a ca de estimativas. Vericou-se ainda que emprego de funes de ativao lineares em todas as camadas co ca da RNA equivalente ao resultado obtido empree gando RLM demonstrando que o uso de funes de co ativao no lineares permite o modelamento das noca a a linearidades presentes nos processos radiativos que ocorrem na atmosfera. Os melhores desempenhos foram apresentados pela RNAs conguradas com a funo de ativao sigmide ca ca o log stica nas camadas internas, com destaque para as topologias 2-16-1 LOG LOG, 2-12-6-1 LOG LOG e 2-12-6-1 LOG LIN. Essas trs topologia apresene taram desempenhos muito prximos sendo que os MBE o apresentado por essas RNAs para os dados do grupo de validao indicaram uma sub-estimativa da ordem ca de -0,025%. A Fig. 12 apresenta os valores de Kt previstos por este modelo plotados em funo dos valores medidos. A ca Tabela 5 apresenta a comparao entre o desempenho ca das metodologias RLM e RNA com a topologia 1-126-1 LOG LOG. Pode-se notar um ganho da ordem de 20% nos coecientes de correlao e desvios das estica mativas fornecidas pelas duas metodologias. A RNA apresentou uma reduo de aproximadamente 57% do ca desvio MBE e 9,6% do RMSE.
Figura 11 - Variao do erro MSE obtido para diferentes n meros ca u totais de nodos nas duas camadas internas de uma rede MLP durante a modelagem do parmetro KT . a
A partir das anlises iniciais, selecionaram-se as a duas topologias de redes com uma camada interna (214-1 e 2-16-1) e as duas topologias de redes com duas camadas internas (2-10-5-1 e 2-12-6-1) que apresentaram os melhores resultados, para que fosse avaliado o emprego de outras funes de ativao. Os resultados co ca destas anlises esto descritos na Tabela 4. Pode-se a a constatar que o emprego da funo de ativao sigmide ca ca o
Figura 12 - Valores dos parmetros Kt obtidos pela rede MLP a em funo dos valores medidos. ca
1309-17
Tabela 5 - Resultados do treinamento de diferentes topologias de redes MLP empregadas para modelar o parmetro KT , testando a diferentes funes de ativao. co ca Topologias 2-14-1 TAN LIN 2-14-1 LOG LOG 2-14-1 LOG-LIN 2-14-1 TAN TAN 2-14-1 LIN LIN 2-16-1 TAN LIN 2-16-1 LOG LOG 2-16-1 TAN TAN 2-16-1 LOG LIN 2-10-5-1 TAN LIN 2-10-5-1 LOG LOG 2-10-5-1 LOG LIN 2-10-5-1 TAN TAN 2-12-6-1 TAN LIN 2-12-6-1 LOG LOG 2-12-6-1 LOG LIN 2-12-6-1 TAN TAN RLM Treino R MSE 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 0,86 0,015 0,86 0,015 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 Superviso a R MSE 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,86 0,016 0,82 0,020 Validaao c MSE MBE% 0,016 0,06 0,016 0,08 0,016 0,02 0,016 0,13 0,019 -0,07 0,016 -0,03 0,016 -0,02 0,016 -0,08 0,016 0,26 0,016 -0,10 0,016 -0,18 0,016 -0,06 0,016 -0,05 0,016 -0,14 0,016 -0,03 0,016 -0,02 0,016 -0,12 0,019 -0,08
R 0,86 0,86 0,86 0,86 0,83 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,86 0,83
RMSE% 23,4 23,4 23,4 23,5 25,8 23,4 23,3 23,5 23,4 23,4 23,4 23,4 23,4 23,4 23,3 23,4 23,3 25,8
Tomando como ponto de partida a topologia 212-6-1 LOG LOG realizou-se um teste adicional, no qual esta rede foi treinada empregando diferentes algoritmos utilizados no treinamento de redes MLP. A Tabela 6 compara os desvios obtidos nas estimativas fornecidas pela RNA com os resultados apresentados pela Regresso Linear Mltipla (RLM). A Tabela 7 a u apresenta os desvios observados, o nmero de pocas, u e e o tempo mdio de processamento computacional e necessrio para a concluso do treinamento. Embora a a
tenha apresentado o maior tempo de processamento, o algoritmo Levenberg-Marquardt conrmou ser o algoritmo que leva aos menores erros durante o treinamento, e ser mantido em todas as anlises deste trabalho. a a
Tabela 6 - Comparaao entre os modelos desenvolvidos por RLM c e por redes MLP para previso do parmetro de radiaao KT . a a c Modelo RLM 2-12-6-1 LOG LOG Skill R 0,83 0,86 0,20 Validao ca MSE MBE% 0,020 -0,08 0,016 -0,03 0,18 0,57 RMSE% 25,8 23,3 0,096
Tabela 7 - Comparaao do desempenho de diferentes algoritmos de treinamento na anlise do parmetro de radiao solar Kt . c a a ca Algor tmo Levenberg-Marquardt Resilient Backpropagation Gradiente conjugado escalar Taxa de aprendizagem varivel a Tx. de aprendizagem varivel com momento a Epocas 86 89 131 180 196 Tempo computacional (s) 54 16 40 33 41 Superviso a R MSE 0.86 0.016 0.85 0.017 0.85 0.017 0.83 0.019 0.84 0.019
5.2.
Total dirio de irradiao solar global a ca
Todas as RNAs conguradas para fornecer estimativas do total dirio de irradiao solar incidente na sua ca perf foram treinadas com o emprego do algoritmo cie
de Levenberger-Marquardt. A funo sigmide log ca o stica foi mantida como funo de ativao dos nodos nas caca ca madas internas e de sa da. Os resultados do treinamento e validao das RNAs esto apresentados resca a pectivamente nas Tabelas 8 e 9.
Tabela 8 - Resultados do treinamento de diferentes topologias de redes MLP com uma camada interna na modelagem da integral diria a de radiao solar. ca Topologias R RLM 9-3-1 9-5-1 9-6-1 9-9-1 9-12-1 9-18-1 Treino MSE 0,003 0,003 0,002 0,002 0,004 0,002 Superviso a R MSE 0,97 0,97 0,97 0,96 0,96 0,96 0,003 0,003 0,003 0,002 0,003 0,003 Validao ca MSE MBE% 0,006 -1,09 0,006 1,35 0,005 0,51 0,005 0,56 0,006 2,03 0,006 1,25 0,006 2,53
0,96 0,96 0,97 0,97 0,95 0,97
R 0,91 0,91 0,92 0,92 0,90 0,90 0,91
RMSE% 13,8 13,5 12,7 13,4 14,7 14,6 13,7
1309-18
Fiorin et al.
Tabela 9 - Resultados do treinamento de diferentes topologias de redes MLP com duas camadas internas na modelagem da integral diria de radiao solar. a ca Topologias R RLM 9-3-1-1 9-3-3-1 9-9-5-1 9-9-9-1 9-12-12-1 9-18-9-1 9-18-12-1 9-18-15-1 9-18-18-1 Treino MSE 0,004 0,004 0,003 0,004 0,002 0,003 0,002 0,003 0,001 Superviso a R MSE 0,96 0,96 0,96 0,96 0,96 0,96 0,97 0,96 0,96 0,003 0,003 0,003 0,003 0,003 0,003 0,003 0,004 0,003 Validao ca MSE MBE% 0,006 -1,09 0,006 0,38 0,006 0,61 0,006 0,67 0,006 0,54 0,006 0,60 0,006 1,93 0,006 1,09 0,006 0,97 0,006 0,28
0,95 0,95 0,97 0,95 0,97 0,97 0,98 0,97 0,98
R 0,91 0,906 0,908 0,912 0,909 0,912 0,899 0,906 0,899 0,913
RMSE% 13,8 14,0 13,9 13,7 14,0 13,8 14,6 14,1 14,5 13,7
As informaes estat co sticas relativas ao modelo que utiliza a regresso linear mltipla RLM tambm esto a u e a apresentadas nas Tabelas 8 e 9 com o intuito de permitir a comparao dos desvios observados para as estimatica vas produzidas pela diferentes metodologias. Pode-se vericar que apesar de a RLM ter apresentado valores de MSE da mesma ordem de grandeza que as RNAs, ela gera estimativas com os maiores desvios MBE. A topologia 9-6-1 LOG LOG apresentou os menores erros MSE no grupo de superviso. Quando a comparado ao modelo RLM, na Tabela 10, pode-se notar que houve um ganho aproximadamente 50% no desempenho no que se refere ao desvio MBE das estimativas de total dirio de irradiao solar. No entanto, a ca no houve ganho signicativo no fator de correlao e a ca RMSE. A Fig. 13 ilustra a disperso dos valores prea vistos e medidos na estao SMS da rede SONDA. Os ca valores aparecem no intervalo de 0 a 1 por estarem normalizados.
poucos padres de dados teriam sido apresentados a o elas. Outra hiptese est ligada ` linearizao dos o a a ca processos f sicos em razo de estar trabalhando com a integrais dirias e no valores instantneos. a a a
Tabela 10 - Comparao entre os modelos desenvolvidos por RLM ca e por redes MLP para previso da integral diria de radiaao soa a c lar. Modelos RLM 9-6-1 SKILL R 0,91 0,92 0,06 Validaao c MSE MBE% 0,006 -1,087 0,005 0,561 0,06 0,484 RMSE% 13,8 13,4 0,03
6.
Concluses o
Figura 13 - Disperso dos valores previstos para o total dirio a a de irradiao solar pela MLP 9-6-1 LOG LOG em funo dos ca ca valores calculados a partir de medidas de radiao global solar. ca
Este comportamento sugere que para uma base de dados pequena (401 dias), as RNAs no conseguiram a apresentar uma boa capacidade de generalizao, pois ca
Este estudo discute o uso de redes neurais articiais para obteno de estimativas de parmetros assoca a ciados a incidncia de irradiao solar na superf e ca cie. Vericou-se que poss e vel utilizar redes do tipo multilayer perceptron (MLP) com sucesso para a modelagem de parmetros instantneos de radiao solar a a a ca partir de apenas informaes sobre a cobertura de nuco vens, enquanto o seu emprego na modelagem da integral diria da radiao solar empregando um conjunto a ca de variveis climatolgicas deve ser melhor estudada. a o A aplicao de modelos emp ca ricos empregando as redes MLP representaram ganhos signicativos na previso a de parmetros de radiao solar em relao aos modea ca ca los desenvolvidos a partir de regresso linear mltipla a u pois as RNAs apresentaram a capacidade de explorar as no-linearidades presentes nas anlises realizadas e tirar a a informaes dos diferentes parmetros de entrada que co a eram fornecidos a ela. Ganhos menores foram observados no caso em que a RNA foi aplicada para estimar que a integral diria da irradiao solar na superf a ca cie. A primeira hiptese levantada diz respeito ao fato de o que a integral diria apresente maior linearidade com a as mdias das variveis meteorolgicas utilizadas no ese a o tudo. Observou-se tambm que dentre as topologias aplie cadas e avaliadas neste trabalho, as RNAs que empregam a funo sigmide log ca o stica como funo de ca
1309-19
ativao nas camadas internas, e treinadas pelo alca goritmo de Levenberger-Marquardt mostraram ser as topologias mais viveis nas anlises realizadas. O traa a balho deve ter continuidade com a avaliao mais detaca lhada de quais variveis meteorolgicas desempenham a o um papel signicante no desempenho das RNAs e a expanso do trabalho para outras regies brasileiras. O a o desenvolvimento e compreenso das aplicaes de RNA a co na avaliao dos recursos. ca
[15] H.K. Elminir, F.F. Areed and T.S. Elsayed, Solar Energy 79, 270 (2005). [16] A. Mellit, M. Benghanem and M. Bendekhis, Articial Neural Network Model for Prediction Solar Radiation Data: Application for Sizing Stand-alone Photovoltaic Power System. IEEE Power Engineering Society General Meeting (2005). [17] J. Soares, A.P. Oliveira, M.Z. Boznar, P. Mlakar, J.F. Escobedo and A.J. Machado, Applied Energy 79, 201 (2004). [18] G. Brasseur and S. Solomon, Aeronomy of the Middle Atmosphere (ED. Reidel Publishing Company, Dordrecht, 1986), 452 p. [19] K.L. Coulson, Solar and Terrestrial Radiation: Methods and Measurements (Academic Press, New York, 1975), 322 p. [20] M. Iqbal, An Introduction to Solar Radiation (Academic Press Canada, Toronto, 1983), 390 p. [21] J.P. Peixoto and A.H. Oort, Physics of climate (American Institute of Physics Press, New York, 1992), 520 p. [22] K.N. Liou, An Introduction to Atmospheric Radiation (Academic Press Inc., New York, 1980), 392 p. [23] N. Robinson, (ed.) Solar Radiation (Elsevier Publishing Company, Amsterdam, 1966), 347 p. [24] R. Perez, R. Seals and A. Zelenka, Solar Energy 60, 89 (1997). [25] R.A. Guarnieri, F.R. Martins, E.B. Pereira e S.A.B. Silva, in: Anais do XIV Congresso Brasileiro de Meteorologia, Florianpolis (2006). o [26] A.P. Braga, A.C.P.F. Carvalho e T.B. Ludermir, in: 11a Escola de Computaao, Universidade Federal do c Rio de Janeiro, Rio de Janeiro (1998), 246 p. [27] S. Haykin, Redes Neurais: Princ pios e Prtica (Booka man Companhia Editora, Porto Alegre, 2001), 2a ed., 900 p. [28] W.S. McCulloch and W. Pitts, Bulletin of Mathematical Biophysics 5, 115 (1943). [29] D.O. Hebb, The Organization of Behavior (Willey, New York, 1949). [30] F. Rosenblatt, Psychological Review 65, 386 (1958). [31] B. Widrow and M.E. Ho, in: Proceedings of IRE WESCON Convention Record, Institute of Radio Engineers, Los Angeles, v. 4, p. 96-104 (1960). [32] M. Minsky and S. Papert, Articial Intelligence Progress Report. Technical Report. UMI Order Number: AIM-252 (Massachusetts Institute of Technology Press, Massachusetts , 1972). [33] J.J. Hopeld, Proceedings of the National Academy of Sciences of the United States of America 79, 2554 (1982). [34] D.E. Rumelhart, G.E. Hinton and R.J. Williams, Nature 323, 533 (1986), doi:10.1038/323533a0. [35] A.P. Braga, A.C.P.F. Carvalho e T.B. Ludermir, Redes Neurais Articiais (Editora LTC, So Paulo, 2007), a 283 p. [36] R. Beale and T. Jackson, Neural Computing (Institute of Physics Publishing, Bristol, 1992), 240 p.
Referncias e
[1] J. Goldemberg and O. Lucon, Energia, Meio Ambiente & Desenvolvimento (Editora da Universidade de So Paulo, So Paulo, 2008), 3a ed. ampliada e revista, a a 394 p. [2] R.W. Bentley, Energy Policy 30, 189 (2002). [3] H.S. Geller, Revoluo Energetica: Pol ca ticas para um Futuro Sustentvel (Relume Dumar, Rio de Janeiro, a a 2003). [4] I. Yucel, W.J. Shuttleworth, X. Gao and S. Sorooshian, Mon. Wea. Rev. 131, 1797 (2003). [5] E.B. Pereira, F.R. Martins, S.L. Abreu and R. Ruther, Atlas Brasileiro de Energia Solar (Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos, 2006), a e 70 pp. [6] F.R. Martins, E.B. Pereira, S.A.B. Silva, S.L. Abreu and S. Colle, Energy Policy 36, 2843 (2008). [7] A. Hammer, D. Heinemann, C. Hoyer, R. Kuhlemann, E. Lorenz, R. Muller and H.G. Beyer, Remote Sensing of Environment 86, 423 (2003). [8] D. Heinemann, E. Lorenz and M. Girodo, in: Proc. International Workshop on Solar Resource from the Local Level to Global Scale in Support to the Resource Management of Renewable Electricity Generation. Institute for Environment and Sustainability, Joint Research Center, Ispra (2004). [9] G. Reikard, Solar Energy 83, 342 (2008). [10] A. Hammer, D. Heinemann, C. Hoyer and E. Lorenz, in: Proceedings of the EUMETSAT Meteorological Satellite Data Users Conference, Antalya, Turkey, (2001); S. Haykin, Redes Neurais: Princ pios e Prtica a (Bookman Companhia Editora, Porto Alegre, 2001), 2a ed., 900 p. [11] L.M. Hinkelman, T.P. Ackerman and R.T. Marchand, J. Geophys. Res. 104(D16), 19535 (1999). [12] S.C. Chou, C.A.S. Tanajura Y. Xue and C.A. Nobre, J. Geophys. Res. 107(D20), 56 (2002). [13] F. Mesinger, in: Proceedings of ICTP Regional Weather Predictability and Modeling Workshop, CPTEC/INPE, So Jos dos Campos (2005). a e Dispon vel em ftp://ftp1.cptec.inpe.br/etamdl/ Download/model/EtaGuide.2008.8.pdf. [14] R.A. Guarnieri, Emprego de Redes Neurais Articiais e Regresso Linear Mltipla no Renamento das Prea u vises de Radiaao Solar do Modelo Eta. Dissertaao de o c c Mestrado, INPE, So Jos dos Campos (2006), 120 p. a e
1309-20
Fiorin et al.
[37] G. Cybenko, Continuous Valued Neural Networks with Two Hidden Layers Are Sucient. Technical Report (Tufts University, Medford, 1988). [38] H. Demuth, M. Beale and M. Hagan, Neural Network Toolbox Users Guide Version 6 for use with MATLAB R . The MathWorks Inc. Dispon vel em http://www.mathworks.com/access/ helpdesk/help/pdf doc/nnet/nnet.pdf. Acesso em 10/2008. [39] H.M.J. Barbosa, T.A. Tarasova and I.F.A. Cavalcanti, Journal of Applied Meteorology and Climatology 47, 1377 (2008). [40] R.J. Zamora, S. Solomon, E.G. Dutton, J.W. Bao, M. Trainer, R.W. Portmann, A.B.White, D.W. Nelson and R.T. Mc Nider, Journal of Geophysical Research 108(D2), 4050 (2003). [41] M.A. Armstrong, Comparison of MM5 Forecast Shortwave Radiation with Data Obtained from the Atmospheric Radiation Measurement Program. Master of Science Scholarly Paper, University of Maryland (2000).
[42] S.M. Al-Alawi and H.A. Al-Hinai, Renewable Energy 14, 199 (1998). [43] M. Mohandes, S. Rehman and T.O. Halawani, Renewable Energy 14, 179 (1998). [44] M. Mohandes, A. Balghonain, M. Kassas, S. Rehman and T.O. Halawani, Solar Energy 68, 161 (2000). [45] A. Sfetsos and A.H. Coonick, Solar Energy 68, 169 (2000). [46] F.R. Martins, R. Ruther, E.B. Pereira and S.L. Abreu, Energy Policy 36, 2855 (2008). [47] E.B. Pereira, J.H.G. Lima, F.R. Martins, S.L. Abreu, R. Ruther and O. Amarante, Solar and Wind Energy Resource Assessment in Brazil (INPE, So Jos dos a e Campos, 2008). [48] R.C. Chagas, F.R. Martins, R.A. Guarnieri, E.B. Pereira, S. Mantelli Neto, E.S. Andrade, S. Garcia, A. Bonm Jr. e J.L.M. Nogueira, in: Anais do XIV Congresso Brasileiro de Meteorologia, Florianpolis (2006). o

Solar

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Solar

Hochgeladen von

Copyright:

Verfügbare Formate

Revista Brasileira de Ensino de F sica, v. 33, n. 1, 1309 (2011) www.sbsica.org.

Aplicaes de redes neurais e previses de disponibilidade co o de recursos energticos solares e

Daniel V. Fiorin1 , Fernando R. Martins2 , Nelson J. Schuch1 e Enio B. Pereira2

Copyright by the Sociedade Brasileira de F sica. Printed in Brazil.

Processos radiativos na atmosfera

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Vis vel (VIS)

Figura 2 - Representao grca dos processos radiativos que ca a ocorrem na atmosfera.

Interaes entre radiao solar e nebulosico ca dade

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Figura 5 - Representaao grca de uma RNA-MLP com duas c a camadas intermedirias. a

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

para treinamento das RNAs.

Figura 8 - Mecanismo do aprendizado supervisionado.

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Aplicao de redes neurais para estica mativa de disponibilidade de energia solar

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

menu.html). 4.2. Denies parmetros estat co a sticos utilizados

Modelagem da integral diria de radiao a ca solar

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

sempenho de cada uma das topologias utilizadas para as RNAs.

R 0,85 0,86 0,85 0,85 0,86 0,86 0,86 0,86 0,86

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Total dirio de irradiao solar global a ca

0,96 0,96 0,97 0,97 0,95 0,97

R 0,91 0,91 0,92 0,92 0,90 0,90 0,91

RMSE% 13,8 13,5 12,7 13,4 14,7 14,6 13,7

0,95 0,95 0,97 0,95 0,97 0,97 0,98 0,97 0,98

Aplicaes de redes neurais e previses de disponibilidade de recursos energticos solares co o e

Das könnte Ihnen auch gefallen