VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

ESTIMATIVA DA IRRADIAÇÃO SOLAR GLOBAL PELOS MODELOS DE

HARGREAVES-SAMANI E APRENDIZADO DE MÁQUINA SVM E ANN
EM BOTUCATU/SP/BRASIL

Angélica Castilho Paes - [email protected]

Maurício Bruno Prado da Silva - [email protected]
Eduardo Nardini Gomes - [email protected]
João Francisco Escobedo - [email protected]
Universidade Estadual Paulista, FCA-Botucatu, Departamento de Engenharia Rural
Cícero Manoel dos Santos - [email protected]
Faculdade de Engenharia Agronômica - UFPA/Altamira/PA/Brasil

Resumo. Neste trabalho é apresentado um estudo comparativo entre dois métodos de estimativas da radiação solar
global, modelo estatístico de Hargreaves-Samani (H-S) e os modelos de aprendizado de máquinas Artificial Neural
Network (ANN) e Support Vector Machine (SVM), para três combinações de entradas de variáveis meteorológicas. Por
meio dos valores dos indicativos estatísticos r, rMBE, rRMSE e d de Wilmott, obtidos na validação dos modelos, foi
conclusivo que: a técnica SVM3 mostrou melhor desempenho que a rede ANN3 e do modelo estatístico (H-S) em
estimar HG, enquanto que a técnica ANN3 possui desempenho superior ao modelo estatístico (H-S) em estimar HG.

Palavras - chave: Radiação solar, modelo Hargreaves-Samani (H-S), modelagem estatística; inteligência artificial,
variáveis meteorológicas.

1. INTRODUÇÃO

A radiação solar é um importante parâmetro para várias atividades do setor produtivo e de pesquisa,
principalmente em processos de conversão de energia térmica, fotovoltaico e biomassa. No Brasil, pais de dimensões
continentais, as medidas de radiação solar ainda são restritas a centros de pesquisas e universidades. Uma opção para
locais onde não são efetuadas medidas da radiação global, é o uso de modelos de estimativas, desenvolvidos para se
estimar a radiação a partir de outros parâmetros meteorológicos medidos com maior frequência em postos
meteorológicos (Santos et al., 2014; Souza et al., 2016; Silva et al., 2017). Dentre os modelos mais importantes estão os
estatísticos, transferência radiativa e técnicas de aprendizados de máquinas.
Atualmente, existem muitos modelos estatísticos, sendo que o mais importante é o modelo de Angstrom- Prescott
(A-P), que estima a radiação solar global a partir da medida do brilho solar. O modelo A-P obtido por regressão linear é
simples, mas atualmente, tem a desvantagem de usar o heliógrafo na medida do brilho solar, tendo em vista que o
instrumento ainda é importado a custo elevado. O heliógrafo possui ainda várias limitações de natureza experimental, o
qual não é tão preciso principalmente em regiões tropicais onde a umidade relativa do ar é elevada. Outro modelo
importante é o desenvolvido por Hargreaves & Samani (1982), o qual estima a radiação solar global a partir de medidas
da temperatura máxima e mínima, e da radiação extraterrestre. A medida da temperatura é mais simples e possui baixo
custo, além de que, os termômetros são instalados até em estações meteorológicas ordinárias de muitas cidades,
aumentando o campo espacial de estudos. A grande desvantagem desses modelos de regressão linear é que são precisos
apenas para locais específicos de origem das medidas. Outro modelo que usa a amplitude térmica da temperatura do ar
como variável de entrada é o de Bristow & Campbell (1984). Há também outros modelos modificados em outros locais
que associam a temperatura do ar a outras variáveis de entrada (Hunt et al., 1998; Bechini et al., 2000; Almorox et al.,
2011).
Os modelos de transferência radiativa são mais complexos que os modelos estatísticos e exigem entrada mista de
parâmetros meteorológicos medidos na superfície terrestre e na atmosfera por satélites (Madkour et al., 2006). A
desvantagem destes modelos é a necessidade de informações detalhadas dos constituintes atmosféricos como da
concentração de ozônio, aerossóis, gases e vapor d’água na atmosfera que são de difícil acesso (Gueymard, 2003). Os
modelos de transferência radiativa necessitam ainda de extenso trabalho computacional nos complexos processos de
transferência atmosférica devido à variação temporal e espacial dos aerossóis e vapor d’água (Dai e Fang, 2014; Zhang
et al., 2014).
Os modelos de AM são capazes de solucionar problemas que os demais modelos não solucionam e têm sido
aplicados com sucesso para previsão de irradiação solar e aplicações solares, principalmente nas relações em que são
baixas as correlações entre as radiações (Rehman e Mohandes, 2008). A técnica permite modelar um sistema
conhecendo apenas as variáveis de entrada e saída. A maior vantagem do uso de modelos de AM é a sua capacidade de
generalização e otimização do tempo (Oliveira et al., 2006). As principais técnicas de AM que vêm sendo utilizadas
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

são: Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Network (ANN), Genetic Programming (GP)
e Support Vector Machine (SVM). Estudos recentes, concluíram que a técnica SVM é superior à ANN, ANFIS, na
estimativa da radiação solar. Especificamente, as estimativas de radiação global, por meio dos modelos de SVM e ANN
têm sido estudadas e comparadas com modelos estatísticos, e os resultados têm mostrado que o desempenho dos
modelos de AM (SVM e ANN) são similares, em alguns casos, e superiores em outros, aos modelos estatísticos
(Elizondo et al. 1994; Tymvios et al., 2005; Chen et al., 2013; Piri et al., 2015; Quej et al., 2017; Silva et al., 2017). No
Brasil existem vários estudos com modelagem da radiação solar usando AM, como mostram os trabalhos (Silva et al.,
2017; Santos et al., 2016; Lima et al., 2016).
Diante da necessidade de se conhecer melhor a eficiência dos modelos estatísticos e de AM, este trabalho teve
como objetivo realizar um estudo comparativo entre o modelo de Hargreaves-Samani (H-S), e as técnicas Artificial
Neural Network (ANN) e Support Vector Machine (SVM) de desempenho nas estimativas da radiação global.
Uma base de dados de temperaturas máxima e mínima, e de irradiação solar global diária de 16 anos, período 1996 a
2011, foi utilizada para gerar e validar os modelos de H-S e das técnicas ANN e SVM. Para as técnicas ANN e SVM
foram estudadas três diferentes combinações combinando variáveis de entrada no modelo: a combinação ANN1 e
SVM1 têm como variáveis de entrada a amplitude de temperatura e a irradiação solar no topo da atmosfera igual ao do
modelo H-S. Nas combinações seguintes 2 e 3 foram acrescentadas outras variáveis, uma a uma, como razão de
insolação e umidade relativa do ar, respectivamente. Os resultados obtidos da validação, comparação entre medidas e
estimativas dos modelos, por meio de correlação (r) e indicativos estatísticos (rMBE, rRMSE e d de Willmott),
permitiram classificar o desempenho dos modelos nas estimativas de radiação global.

2. MATERIAL E MÉTODOS

Os dados utilizados neste trabalho foram: irradiância solar global, temperatura (máxima e mínima) e umidade
relativa, coletados em Botucatu, no período de 1996-2011. As medidas de irradiâncias solar global (I, W m-2) foram
realizadas por um piranômetros Eppley, a temperatura máxima e mínima do ar (T, ºC) foi medida por termômetro de
bulbo de mercúrio e álcool, respectivamente; e a umidade relativa do ar (UR, %) medida através de um higrômetro.

2.1 Modelo Hargreaves-Samani

O modelo estatístico desenvolvido por Hargreaves & Samani (1982) usado neste trabalho foi desenvolvido para
estimar HG através de dados de temperatura mínima e máxima e da radiação solar extraterrestre, como mostra a Eq. (1),
sendo H0 a radiação solar extraterrestre, T max e Tmin a temperatura máxima e a temperatura mínima, respectivamente.
𝐻𝐺
= 𝑎 ∙ (𝑇𝑚𝑎𝑥 − 𝑇𝑚𝑖𝑛 )0,5 (1)
𝐻0

2.2 Software utilizado

O software utilizado para realizar o aprendizado de máquinas foi o Waikato Environment for Knowledge Analysis
(WEKA). Para os modelos de ANN foi utilizado o algoritmo BP e a função de ativação sigmoidal, com os seguintes
valores: taxa de aprendizado = 0,3; momentum = 0,2 e número de interações = 500. Para o número de camadas ocultas
foi utilizado o padrão do Weka, definido como: “α” = [(variáveis de entrada + classes)/2. Para a SVM foi utilizado o
algoritmo SMO com a função de Kernel RBF.

2.3 Multilayer Perceptron

Rede neural artificial é uma técnica de aprendizado de máquinas baseado no funcionamento do cérebro. A rede
possui três grupos de neurônios: os neurônios de entrada na camada de entrada, os neurônios ocultos, e os nerônios de
saída, na camada de saída da rede, sendo que pode existir mais de uma camada de neurônios ocultos na rede (Ramedani
et al., 2012). A rede utilizada neste trabalho é a Multilayer Perceptron (MLP), um tipo de rede de aprendizado
supervisionado.
Os neurônios multiplicam seu valor de entrada (xi) pelo valor do peso da conexão (wji), e então são somados os
produtos realizados com cada neurônio e o resultado é colocado em uma função de transferência, que determinará a
respota de saída (yi) (Citakoglu, 2015). A Eq. (2) apresenta um exemplo deste processo utilizando-se uma função
sigmoidal:
1
𝑦𝑖 = 𝑓(∑ 𝑤𝑗𝑖 ∙ 𝑥𝑖 ) = − ∑ 𝑤𝑗𝑖 ∙𝑥𝑖 (2)
1+𝑒

O algoritmo utilizado na rede foi o Back Propagation, que realiza a retropropação dos resultados para o ajuste dos
pesos a cada iteração da rede, até que o resultado esteja o mais próximo do esperado.
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

2.4 Support Vector Machine (SVM)

A máquina de vetor de suporte é uma técnica de aprendizado de máquinas desenvolvida inicialmente para resolver
problemas de classificação de dados, mas que pode também pode realizar regressões. A máquina mapeia os dados de
forma não linear em um espaço multidimensional, gerando uma superfície de decisão linear (Cortes e Vapnik, 1995).
O uso das funções de Kernel para o treino da SVM apresenta facilidades para se trabalhar com a SVM, porque elas
convertem os dados de um espaço dimensional de poucas dimensões, dos dados de origem, em um espaço
multidimensional de forma implícita.
Uma das funções de Kernel é a Função de Base Radial (RBF), que foi utilizada neste trabalho. A vantagem do seu
uso é que a função RBF faz uso de soluções de um conjunto de equações lineares ao contrário de outros casos que
utilizam soluções quadráticas (Mohammadi et al., 2015).

2.5 Base de dados de validação dos modelos: seleção dos anos típico e atípico

Na validação do modelo foi utilizada uma base dados de 1 ano da irradiação solar global diária (HG), denominadas
de ano típico e atípico, selecionados a partir da base de dados total de 16 anos (1996-2011). A seleção dos anos típico e
atípico, foi efetuada através de análises estatísticas dos dados onde se comparou para cada mês do ano, o valor da
irradiação solar global (HG) média inter-anos com desvio padrão de cada mês e o valor da irradiação média de cada mês
por ano.

Tabela 1- Ano típico a atípico.

Meses
Meses Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Típico 2004 2000 2008 2005 2005 2005 2002 2003 2000 2003 2003 2005
Ano
Atípico 2001 2005 2011 2008 2003 1997 2009 1998 2009 2001 1998 2011

O processo de seleção do ano típico é similar ao processo de seleção do Ano Meteorológico Típico (WMO, 1981).
Em cada mês do ano típico, os valores das irradiações media-inter-anos praticamente coincidem com os valores das
irradiações medias do ano. Ao contrário, no ano atípico, os valores das irradiações médias do ano estão mais distantes
dos valores das irradiações médias inter-anos, externos ao intervalo de variação do desvio padrão inter-anos. Os
resultados encontrados para os meses dos anos típico e atípico estão representados na Tab. 1 (Silva et al., 2017).

2.6 Indicativos estatísticos

Os indicativos estatísticos rMBE (Relative Mean Bias Error), rRMSE (Root Mean Square Error) e d (Índice de
Concordância de Willmott) empregados na avaliação da performance das equações de estimativa diária da irradiação
global infravermelha foram:
∑ 𝑁 (𝑌 −𝑋 )
( 𝑖=1 𝑖 𝑖 )
𝑁
𝑟𝑀𝐵𝐸 (%) = 100 × (1)
𝑋̅
1
∑𝑁
𝑖=1(𝑌𝑖 −𝑋𝑖 )
2 2
𝑟𝑅𝑀𝑆𝐸 (%) = 100 × [ ] (2)
𝑋̅
∑𝑁
𝑖=1(𝑃𝑖 −𝑂𝑖 )
2
𝑑 =1− 𝑁
∑𝑖=1(|𝑃 𝑖|+|𝑂 𝑖|)2
′ ′ (3)

onde: Pi representa os valores estimados, Oi os valores medidos, N o número de observações, | P' i | o valor
absoluto da diferença Pi  Oi , e | O' i | representa o valor absoluto da diferença Oi  Oi .

3. RESULTADOS E DISCUSSÃO

3.1 Correlação entre a transmissividade atmosférica da irradiação solar global (H/H O) e a amplitude
térmica (Tmáx- Tmín)1/2: Modelo de H-S

A Fig. (1) mostra a correlação entre a transmissividade atmosférica da irradiação solar global (H/H O) e a amplitude
térmica (Tmax- Tmin)1/2 conforme o modelo H-S para a base de dados medida no período de 1996-2011 em Botucatu, SP.
A Fig. 1 mostra ainda a reta de correlação obtida por regressão entre a H/HO e a (Tmax- Tmin)1/2. O espalhamento na
correlação é elevado, onde para cada valor de (T max- Tmin)1/2 há um largo intervalo de variação nos valores de (H/H O). O
efeito é devido a grande variabilidade do saldo de irradiação diário local, os quais dependem das variações das
concentrações de nuvens (quando combina o tipo, número e espessura da camada), vapor d’água e aerossóis na
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

atmosfera, que absorvem e espalham a radiação global, interferindo no balanço de radiação de ondas curtas,
diferentemente nos diversos tipos de cobertura de céu para os mesmos valores de (T max- Tmin)1/2.

1.0 0,5
Hg/H0 = 0,170 . (Tmax - Tmin)
0.8
0.6

Hg/H0
0.4
0.2
0.0 R² = 0.505
0 1 2 3 4 5 6
0.5
(T) (°C)

Figura 1 - Relação entre os valores da transmissividade atmosférica da radiação solar global e a amplitude térmica para
o período de 1996 - 2011, e a curva de regressão.

A Eq.(4) obtida apresenta o coeficiente de determinação R² = 0,505 e o valor do coeficiente de calibração de a =

0,170:

HG
= 0,170 ∙ (Tmax − Tmin )0.5 (4)
H0

O valor do coeficiente de calibração a =0,170 encontrado para Botucatu está dentro do intervalo de variação dos
valores divulgados na literatura, e o valor do coeficiente de determinação mostrou R2 abaixo aos obtidos para as
localidades, como mostrado na Tab. 2.

Tabela 2 - Valores do coeficiente de calibração e o coeficiente de determinação

de equação de H-S para diferentes localidades do Brasil.

Autores Localidades Latitude (°) a R²

Santos et al. (2014) 3 (Alagoas) -9,2 a -9,7 0,168 - 0,187 0,704 –0,790
Borges et al. (2010) Cruz das Almas (Bahia) -12,7 0,16 – 0,19 0,688
(predeterminado)
Jerszurki et al. (2013) Telêmaco Borba (Paraná) -24,2 0,11 - 0,12 0,740
Silva et al. (2012) Minas Gerais -18,8° a -20,8 0,161 0,643

Para a análise sazonal da Eq. (4) a base de dados total foi separada nas quatro estações, e o coeficiente de
calibração a foi calculado para cada estação seguindo o mesmo procedimento de obtenção da Eq. (4). A Fig. 2 apresenta
a regressão entre a transmissividade atmosférica e a raiz quadrada da amplitude térmica para cada estação. As equações
(5, 6, 7 e 8) mostram as equações sazonais, com seus respectivos valores de a.

1.0 1.0
(a) Verão (b) Outono
0.8 0.8
0.6 0.6
Hg/H0

0.4 0.4
0.2 0.2
0.0 R² = 0,640 0.0 R² = 0,531
0 1 2 3 4 5 0 1 2 3 4 5
1.0 1.0
(c) Inverno (d) Primavera
0.8 0.8

0.6 0.6
Hg/H0

0.4 0.4

0.2 0.2

0.0 R² = 0,458 0.0 R² = 0,503

0 1 2 3 4 5 6 0 1 2 3 4 5 6
0.5 0.5
(T) (°C) (T) (°C)
Figura 2 - Regressão linear entre os valores da transmissividade atmosférica e a raiz quadrada da amplitude térmica,
sazonais: (a) Verão, (b) Outono, (c) Inverno e (d) Primavera.
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

Como mostrado das Eq. (5 - 8), a equação da estação verão foi a que apresentou maior coeficiente de correlação,
R² = 0,640, e a equação no inverno o menor coeficiente de correlação, R² = 0,458.

HG
Verão = 0,169 ∙ (𝑇𝑚𝑎𝑥 − Tmin )0.5 (5)
H0

HG
Outono = 0,183 ∙ (Tmax − Tmin )0.5 (6)
H0

HG
Inverno = 0,168 ∙ (Tmax − Tmin )0.5 (7)
H0

HG
Primavera = 0,163 ∙ (Tmax − Tmin )0.5 (8)
H0

Numericamente, a sazonalidade da Eq. (4) foi determinada por meio do calculo do desvio relativo D(%) por meio
da Eq. (9) entre os coeficientes angulares da equação anual (aa) e das equações sazonais no verão, outono, inverno e
primavera (as) como mostrado na Fig. (3):

D(%) = 100 ∙ (𝑎𝑎 − 𝑎𝑠 )/𝑎𝑎 (9)

1.0
Total
0.8 Verão
Outono
0.6 Inverno
Hg/H0

Primavera
0.4

0.2

0.0
0 1 2 3 4 5
0.5
(T) (°C)
Figura 3 - Retas de regressão linear entre a transmissividade atmosférica e a raiz quadrada da amplitude térmica, anual e
sazonal.

O desvio percentual D(%) expressa à capacidade de HG anual de superestimar ou subestimar HG sazonal.

Tabela 3 - Desvio linear entre o valor do coeficiente de calibração

da equação anual e os valores dos coeficientes de calibração sazonais.

Estações do ano Coeficiente a Desvio (%)

Verão 0,169 0,588
Outono 0,183 -7,647
Inverno 0,168 1,176
Primavera 0,163 4,117

Os resultados apresentados na Tab. 3 mostra que para a estimativa de HG, o valor do desvio D(%) mostra que o
valor HG, anual superestima aos valores das HG, sazonal no verão e inverno e primavera em 0,6%, 1,2% e 1,1%
respectivamente, e subestima no outono em 7,7% respectivamente. Os desvios elevados no outono são devidos, a
precipitação do tipo frontal originada do encontro das massas frias e secas vindas da região sul com as massas quentes e
úmidas, da região sudeste. A distribuição da chuva frontal gera aumento na nebulosidade com ocorrência de chuvas
generalizada na região. A intensidade da precipitação é fraca a moderada, dependendo do tipo de frente frio, e a duração
é de média a longa (horas ou dias), dependendo da velocidade de deslocamento da frente (Satyamurty et al., 1998).

3.2 Validação do Modelo de H-S

A Fig. 4 (a, b) mostra a correlação entre os valores medidos e estimados da radiação solar global para os anos
típico (a) e atípico (b). Os coeficientes de correlação encontrados foram rt = 0,823 para o ano típico e ra = 0,831 para o
ano atípico, sendo o coeficiente de determinação (r²)t = 0,677 e (r²)a = 0,690, para os anos típico e atípico,
respectivamente. Os indicativos estatísticos obtidos foram: rMBEt = -3,1%, rRMSEt = 21,9% e (d) de Wilmott dt = 0,87
para o ano típico, e rMBEa = 3,2%, rRMSEa = 24,7% e (d) de Wilmott da = 0,88 para o ano atípico. Os resultados
obtidos por meio destes indicativos estatísticos são comparados com os encontrados por outros autores (Tab. 4).
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

35 35
(a) Típico (b) Atípico

Hg estimada (MJ/m²)
30 30
25 25
20 20
15 15
10 10
5 5
r = 0,823 r = 0,831
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
Hg medida (MJ/m²) Hg medida (MJ/m²)
Figura 4 – Comparação entre os valores medidos e estimados para a radiação solar global através do modelo estatístico
de Hargreaves-Samani (H-S) para o ano típico (a) e o atípico (b)

Os valores de rMBE, rRMSE e d de Wilmott, obtidos na validação para os anos típico e atípico são próximos, e
mostram que as estimava de HG por meio da Eq. anual (4) pode ser feita com erro inferior ao erro do piranômetro
Eppley usado nas medidas da radiação global, que é de 4,0% (Reda et al., 2008), com espalhamento inferior a 25% e
concordância de ajuste superior a 87,0%. Os resultados são da mesma ordem de grandeza de validações com outros
modelos estatísticos para outras radiações como a difusa (Oliveira et al., 2002; Soares et al., 2004; Dal Pai et al., 2014).

Tabela 4 – Indicativos estatísticos obtidos para diversas localidades.

RMSE
Autores Localidades coeficientes de calibração (a) rRMSE (%) r
(MJ m-2 d-1)
Mehdizadeh et al. (2016) Kerman (Irã) 0,15 3,23
Jimenez et al. (2016) Tucumán (Argentina) 3,69 0,87
Rahimikhoob (2010) Ahwaz (Irã) 0,16 3,64
Landeras et al. (2012) 4 (País Basco) 3,94
Sanusi et al. (2013) Sokoto (Nigéria) 0,11 0,12
Sharifi et al. (2016) 2 (Irã) 0,16 3,58 e 4,20 0,004 - 0,018
// 4 (EUA) 0,14 - 0,15 3,25 - 3,92 0,002 - 0,004
Grillone et al. (2012) Sicília (Itália) 0,15 - 0,21 2,58 - 3,79
Estévez et al. (2012) 65 (Espanha) 0,16 – 19 3,33 - 3,31 18,60 - 19,80
Daut et al. (2012) 2 (Malásia) 0,17 - 0,21
Liu et al. (2009) 15 (China) 0,14 - 0,17
Almorox et al. (2013) Córdoba (Argentina) 0,15 2,07
Allen (1997) 9 (EUA) 0,15 - 0,20
Almorox et al. (2011) Madri (Espanha) 0,15 - 0,16 2,79 - 3,06
Gois et al. (2016) Seropédica (Brasil) 0,16 - 0,19 (predeterminado) 14,60 - 13,93
Lêdo et al. (2012) Barbalha 0,16 (predeterminado) 0,56
Nogueira et al. (2012) Jaguaruana 0,16 (predeterminado) 0,59
Almorox (2009) Aranjuez (Espanha) 0,14 3,00
Ugwu & Ugwuanyi (2011) Abuja (Nigéria) 0,41 - 2,11
Presente estudot Botucatu 0,17 3,81 21,87 0,82
Presente estudoa Botucatu 0,17 4,23 24,69 0,83
t – ano típico; a – ano atípico.

3.3 Treinamento e validação dos modelos gerados por AM

A mesma base de dados da geração do modelo de H-S (Fig.1) foi usada no treinamento das técnicas SVM e ANN.
O modelo de H-S e os modelos de SVM1 e ANN1 (combinação1) utilizaram as mesmas variáveis de entrada Ho, HG e
(ΔT)0,5. Além da combinação1, foram treinadas duas novas combinações (ANN2 e SVM2 - ANN3 e SVM3),
conservando a mesmas variáveis da combinação1, e acrescentando na sequência as seguintes variáveis de entrada:
Umidade Relativa (UR, %) e razão de insolação (RI), como mostra a Tab. 5.

Tabela 5 - Parâmetros de entrada da RNA e da SVM para cada combinação,

 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

sendo Ho – radiação solar extraterrestre; Tmax – Temperatura máxima;

Tmin – temperatura mínima, HG – Radiação solar global; RI – razão de insolação;
UR – umidade relativa do ar.

Combinações Parâmetros de entrada

ANN1 Ho, (ΔT)0.5 e HG
SVM1 Ho, (ΔT)0.5 e HG
ANN2 Ho, (ΔT)0.5, RI e HG
SVM2 Ho, (ΔT)0.5, RI e HG
ANN3 Ho, (ΔT)0.5, RI, UR e HG
SVM3 Ho, (ΔT)0.5, RI, UR e HG

A Fig. 5 mostra o diagrama de dispersão entre os valores estimados de H G pelos modelos SVM e ANN e as
medidas, bem como as retas obtidas por regressão linear e coeficientes de correlação (r), para os anos típico (rt) e atípico
(ra), respectivamente. Os valores estimados por ANN e SVM nas combinações 2 e 3 estão em concordância linear com
as medidas Fig. 5(a, b): os valores de coeficientes de correlação (r) obtidas nas regressões lineares estão muito próximos
da reta ideal (45º) ou r = 1 no ajuste.

35 35 35
30 (a) Combinação 1 30 (b) Combinação 2 30 (c) Combinação 3
Típico
Hg estimada (MJ/m²)

25 Típico 25 25 Típico
20 1:1 20 1:1 20 1:1
15 15 15
10 10 10
5 rANN = 0,827 5 rANN = 0,964 5 rANN = 0,963
0 rSVM = 0,849 0 rSVM = 0,966 0 rSVM = 0,968
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
35 35 35
(d) Combinação 1 (f) Combinação 3
30 30 (e) Combinação 2 30
Hg estimada (MJ/m²)

Atípico Atípico Atípico

25 25 25
20 1:1 20 1:1 20
1:1
15 15 15
10 10 10
5 rANN = 0,845 5 rANN = 0,951 5 rANN = 0,951
0 rSVM = 0,838 0 rSVM = 0,952 0 rSVM = 0,954
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
Hg medida (MJ/m²) Hg medida (MJ/m²) Hg medida (MJ/m²)

ANN SVM Regressão ANN RegressãoSVM

Figura 5 - Gráfico de dispersão entre os valores medidos e estimados para a radiação solar global por meio de AM, para
as três combinações de parâmetro de entrada, para os anos típico (a, b e c), e atípico (d, e, f).

Para a combinação1 (ANN1 e SVM1), os valores de rt = 0,849 e ra = 0,838; rt = 0,827 e ra = 0,845,

respectivamente, mostram que a medida e a estimativa de HG estão correlacionadas e superiores ao modelo estatístico.
A técnica SVM1 apresentou maior valor de r que a rede ANN1, nas duas condições de validação. O indicativo
estatístico RMSE, obtido da comparação dos valores estimados com as técnicas de AM (ANN1 e SVM1) e as medidas
de HG respectivamente para os anos típico e atípico foram: rRMSE tSVM1 = 3,0% e rRMSEaSVM1 = 7,2%, enquanto para
rRMSEtANN1 = 4,7% e rRMSEaANN1 = 8,8%. A comparação dos indicativos estatísticos r, e rRMSE obtidos com as
técnicas de SVM1 e ANN1 com a do modelo de H-S com as mesmas variáveis de entrada mostra que a combinação
SVM1 e ANN1 tem desempenho superior ao modelo de H-S nas duas condições de validações.
O desempenho das técnicas aumentou com as entradas das outras duas variáveis meteorológicas, e para fins de
comparação com o modelo estatístico foi selecionado a combinação3 (ANN3 e SVM3). Os indicativos estatísticos
foram validados para a combinação 3 com os anos típico e atípico obtendo os seguintes resultados para r, rMBE,
rRMSE e d de Wilmott: (rtSVM3 = 0,97 , raSVM3 = 0,95) e (rtANN3 = 0,96 , raANN3 = 0,95);(MBEtSVM3 = -3,3% e MBEaSVM3 =
1,0%) e (MBEtANN3= -16,2% e MBEaANN3 = -11,6%); (RMSEtSVM3 = 9,9% e RMSEaSVM3 = 12,9%,) e (RMSEtANN3=
19,2% e RMSEaANN3 = 17,9%) e (d) de Willmott (dtSVM3 = 0,98 e daSVM3 = 0,97) e (dtANN3 = 0,93 e daANN3 = 0,95).
Os resultados mostram que a técnica SVM possui melhor desempenho, ou maior valor de r e d de Wilmott, e
menor valor de rMBE e rRMSE comparado aos valores da técnica ANN e aos do modelo estatístico H-S , nas duas
condições de validação típico e atípico. A técnica ANN apresentou melhor resultado do que o modelo estatístico H-S.
Fatores como arquitetura das técnicas, treinamento e processo de validação das técnicas podem ter influenciado na
variabilidade dos indicativos estatísticos, principalmente no valor de rRMSE , não só de SVM3 e ANN3 como também
nos valores de SVM e ANN obtidos em outros locais. Ainda assim, os valores de r, rMBE, rRMSE e d de Wilmott
obtidos com as técnicas SVM3 e ANN3 são comparáveis aos resultados de SVM e ANN obtidos em outros locais (Tab.
6).
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

Tabela 6 - Índices estatísticos obtidos neste trabalho e comparados aos obtidos por outros autores.

RMSE
Autores Localidades Técnica rRMSE (%) r
(MJ m-2 dia-1)
Urraca et al. (2015) 2 (Espanha) SVM 2,18 – 2,78
Chen et al. (2013) 3 (China) SVM 1,99 - 2,38
Mohammadi et al. (2015) Bandar Abbas (Irã) SVM 1,42 - 2,69
Ramedani et al. (2014) Tehran (Irã) SVM 3,30 – 3,40
Mohammadi et al. (2015) Isfahan (Irã) SVM 2,00 – 2,19
Quej et al. (2017) Yucatán (México) SVM 2,14 – 3,32
Silva et al. (2017) Botucatu SVM 1,64 - 2,14 9,40 - 12,50 0,96 – 0,97
Modelo proposto Botucatu SVMt 1,71 9,87 0,97
Modelo proposto Botucatu SVMa 2,21 12,94 0,95
Urraca et al. (2015) 4 (Espanha) ANN 2,11 – 2,90
Mohammadi et al. (2015) Bandar Abbas (Irã) ANN 1,84 – 2,85
Ramedani et al. (2014) Tehran (Irã) ANN 3,70
Fortin et al. (2008) Montreal (Canadá) ANN 3,83 – 5,45
Mejdoul et al. (2013) 8 (Marrocos) ANN 1,23 – 1,50
Elizondo et al. (1994) 7 (EUA) ANN 2,92 – 3,64
Quej et al. (2017) Yucatán (México) ANN 2,48 – 3,61
Silva et al. (2017) Botucatu ANN 2,68 – 2,89 15,60 – 16,60 0,95 – 0,96
Presente estudo Botucatu ANNt 3,34 19,18 0,96
Presente estudo Botucatu ANNa 3,07 17,93 0,95

4. CONCLUSÕES:

Do que foi apresentado e discutido no trabalho podemos concluir que: a equação estatística de H-S obtida neste
trabalho possui baixa correlação mostrando-se inadequado em estimar HG. A análise da sazonalidade efetuada por meio
dos valores de desvio linear entre a equação anual e as equações sazonais, não apontam vantagem em se utilizar as
equações sazonais no lugar da equação total. As técnicas de aprendizado de máquinas apresentaram melhores
desempenhos do que o modelo estatístico, sendo que o melhor desempenho seguiu a ordem das técnicas SVM, ANN, e
modelo H-S em estimar HG. As técnicas de aprendizado de máquinas SVM, ANN podem estimar HG com precisão e
exatidão a partir das variáveis meteorológicas radiação solar extraterrestre; Temperatura máxima; temperatura mínima,
razão de insolação e umidade relativa do ar.

Agradecimentos

Os Autores agradecem o CNPq e à FAPESP pelo apoio financeiro.

REFERÊNCIAS

AlIen, R. G., 1997. Self- Calibrated Method For Estimating Solar Radiation From Air Temperature. Journal of
Hydrologic Engineering, v. 2(2), p. 56 – 67.
Almorox, J.; Hontoria, C.; Benito, M., 2011. Models for obtaining daily global solar radiation with measured air
temperature data in Madrid (Spain). Applied Energy, v. 88, p.1703-1709.
Almorox, J.; Bocco, M.; Willington, E., 2013. Estimation of daily global solar radiation from measured temperatures at
Cañada de Luque, Córdoba, Argentina. Renewable Energy, v. 60, p. 382 – 387.
Bechini, L.; Ducco, G.; Donatelli, M.; Stein, A., 2000. Modeling, interpolation and stochastic simulation in space and
time of global solar radiation. Agriculture Ecosystems & Enviroment, v. 81, p. 29-42.
Borges, V. P.; Oliveira, A. S.; Filho, M. A. C.; Silva, T. S. M.; Pamponet, B. M., 2010. Avaliação de modelos de
estimativa da radiação solar incidente em Cruz das Almas, Bahia. Revista Brasileira de Engenharia Agrícola e
Ambiental, v.14, n.1, p.74-80.
Bristow, K. L.; Campbell, G. S., 1984.On the relationship between incoming solar radiation and daily maximum and
minimum temperature. Agricultural and Forest Meteorology, v.31, n. 2, p.159-166.
Citakoglu, H., 2015. Comparison of artificial intelligence techniques via empirical equations for prediction of solar
radiation. Computers and Electronics in Agriculture, v. 118, p. 28-37.
Chen, J-L; Li, G-S, Wu, S-J., 2013. Assessing the potential of support vector machine for estimating daily solar
radiation using sunshine duration. Energy Conversion and Management, v.75, p. 311-318.
Cortes, C.; Vapnik, V., 1995. Support – Vector Networks. Machine Learning, v. 20, p. 273-297.
Dai, Q.; Fang, X., 2014. A simple model to predict solar radiation under clear sky conditions. Advances in Space
Research, v.53, 1239-1245.
Dal Pai, A.; Escobedo, J. F.; Dal Pai, J. F. et al., 2014. Estimation of Hourly, Daily and Monthly Mean Diffuse
Radiation Based on MEO Shadowring Correction. Energy Procedia, v. 57, p. 1150-1159, 2014.
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

Daut, I.; Irwanto, M.; Irwan, Y. M.; Gomesh, N.; Ahmad, N. S., 2011. Combination of Hargreaves method and linear
regression as a new method to estimate solar radiation in Perlis, Northern Malaysia. Solar Energy, v. 85, p. 2871 –
2880.
Elizondo, D.; Hoogenboom, G.; Mcclendon, R. W., 1994. Development of a neural network model to predict daily solar
radiation. Agricultural and Forest Meteorology, v. 71, p. 115-132.
Estévez, J.; Padilla, F. L. M.; Gavilán, P., 2012. Evaluation and Regional Calibration of Solar Radiation Prediction
Models in Southern Spain. Journal of Irrigation and Drainage Engineering, v. 138(10), p. 868 – 879.
Fortin, J.; Anctil, F.; Parent, L. E.; Bolinder, M. A., 2008. Comparison of empirical daily surface incoming solar
radiation models. Agricultural and Forest Meteorology, v. 148, p. 1332 – 1340.
Gois, G.; Souza, J. C. S.; Junior, J. F. O.; Delgado, R. C.; Lyra, G. B.; Teodoro, P. E., 2016. Models to estimate
incidente solar radiation on Seropédica, Rio de Janeiro. Bioscience Journal, v. 32, n. 2, p. 505 – 513.
Grillone, G.; Agnese, C.; D’Asaro, F., 2012. Estimation of Daily Solar Radiation from Measured Air Temperature
Extremes in the Mid-Mediterranean Area. Journal of Irrigation and Drainage Engineering, v. 138(10), p. 939 –
947.
Gueymard, C. A.., 2003. Direct solar transmittance and irradiance predictions withbroadband models. Part I: detailed
theoretical performance assessment. Solar Energy, v. 74, p. 355-379.
Hargreaves, G. H; Samani, Z. A., 1982. Estimating potential evapotranspiration. Journal of Irrigation and Drainage
Engineering, v. 108, p. 225-230.
Hunt, L.; Kuchar, L.; Swanton, C. J., 1998. Estimation of solar radiation for use crop modeling. Agricultural Forest
Meteorology, v. 91, p. 293-300.
Jerszurki, D.; Souza, J. L. M., 2013. Parametrização das equações de Hargreaves & Samani e Angströn-Prescott para
estimativa da radiação solar na região de Telêmaco Borba, Estado do Paraná. Ciência Rural, v.43, n.3, p.383-389.
Jimenez, V. A.; Barrionuevo, A.; Will, A.; Rodríguez, S., 2016. Neural Network for Estimating Daily Global Solar
Radiation Using Temperature, Humidity and Preassure as Unique Climatic Imput Variables. Smart Grid and
Renewable Energy, v. 7, p. 95 – 104.
Landeras, G.; López, J. J.; Kisi, O.; Shiri, J., 2012. Comparison for Gene Expressiom Programming with neuro-fuzzy
and neural network computing techniques in estimating daily incoming solar radiation in the Basque Country
(Northern Spain). Energy Conversion and Management, v. 62, p. 1 – 13.
Ledo, E. R. F.; Silva, M. G.; Nogueira, D. H.; Arraes, F. D. D., 2012. Avaliação de modelo de estimativa da radiação
solar global (Rs) com base na amplitude térmica. Conexões – Ciência e Tecnologia, v. 6, n. 1, p. 15 – 26.
Lima, F. J. L.; Martins, F. R.; Pereira, E. B. et al., 2016. Forecast for surface solar irradiance at the Brazilian
Northeastern region using NWP model and artificial neural networks. Renewable Energy, v. 87, p.807-818.
Madkour, M. A.; El-metwally, M.; Harmed, A .B., 2006. Comparative study on different models for estimation of direct
normal irradiance (DNI) over Egypt atmosphere. Renewable Energy, v. 31, p. 361-382.
Mehdizadeh, S.; Behmanesh, J.; Khalili, K., 2016. Comparison of artificial intelligence methods and empirical
equations to estimate daily solar radiation. Journal of Atmospheric and Solar-Terrestrial Physics, v. 146, p. 215 –
227.
Mejdoul, R.; Taqi, M.; Blouaggadia, N., 2013. Artificial neural network based prediction modelo f daily global solar
radiation in Morocco. Journal of Renewable and Sustainable Energy, v. 5.
Mohammadi, K.; Shamshirband, S.; Anisi, M. H.; Alam, K. A.; Petkovic, D., 2015. Support vector regression based
prediction of global solar radiation on a horizontal surface. Energy Conversion and Management, v.91, p.433-441.
Mohammadi, K.; Shamshirband, S.; Tong, C. W.;Arif, M.; Petkovic´, D.; Ch, S, 2015. A new hybrid support vector
machine–wavelet transform approach for estimation of horizontal global solar radiation. Energy Conversion and
Management, v. 92, p. 162 – 171.
Nogueira, D. H.; Silva, M. G.; Ledo, E. R. F.; Araújo, E. M., 2012. Estimativa da radiação solar global (RS) através da
amplitude térmica diária. IV Workshop Internacional de Inovação Tecnológica da Irrigação, Fortaleza – CE,
Brasil.
Oliveira, A. P.; Escobedo, J. F.; Machado, A. J.; Soares, J., 2002. Correlation model of diffuse solar-radiation applied to
the city of São Paulo, Brazil. Applied Energy, v. 71, p. 59-73.
Oliveira, L. L. A., 2006. Estimation of software project effort with Support Vector Regression. Neurocomputing, v. 69,
p. 1749-1753.
Piri, J.; Kisi, O., 2015. Modelling solar radiation reached to the Earth using ANFIS, NN-ARX, and empirical models
(Case studies: Zahedan and Bojnurd stations). Journal of Atmospheric and Solar-Terrestrial Physics, v.123, p. 39 –
47.
Piri, J.; Shamshirband, S.; Petkovic, D.; Tong, C. W.; Rehman, M. H., 2015. Predictio of the solar radiation on the Earth
using support vestor regression technique. Infrared Physics and Technology, v. 68, p. 179-185.
Quej, V. H.; Almorox, J.; Arnaldo, J. A.; Saito, L., 2017. ANFIS, SVM and ANN soft-computing techniques to
estimate daily global solar radiation in a warm sub-humid environment. Journal of atmospheric and solar-
terrestrial physics, v.155, p.62-70.
Rahimikhoob, A., 2010. Estimating global solar radiation using artificial neural network and air temperature data in a
semi-arid environment. Renewable Energy, v. 35, p. 2131 – 2135.
Ramedani, Z.; Omid, M.; Keyhani, A., 2012. A method on neural networks for generating solar radiation map.
International Journal of Energy and Environment, v. 3, p. 775-786.
 VII Congresso Brasileiro de Energia Solar – Gramado, 17 a 20 de abril de 2018

Ramedani, Z.; Omid, M.; Keyhani, A.; Shamshirband, S.; Khoshnevisan, B., 2014. Potential of radial basis
function based supporte vector regression for global solar radiation prediction. Renewable and Sustainable
Energy Reviews, v. 39, p. 1005 – 1011.
Reda, I.M.; Myers, D.R.; StoffeL, T.L., 2008. Uncertainty estimate for the outdoor calibration of solar pyranometers:
NCSLI Measure. The Journal of Measurement Science, v.3, n.4, p.58-66.
Rehman, S.; Mohandes, M., 2008. Artificial neural network estimation of global solar radiation using air temperature
and relative humidity. Energy Policy, v. 36, p. 571-576.
Santos, C. M.; Souza, J. L.; Junior, R. A. F. et al., 2014. M. On modeling global solar irradiation using air temperature
for Alagoas State, Northeastern Brazil. Energy, v.71, p. 388-398.
Santos, C. M.; Escobedo, J. F.; Teramoto, É. T.; Modenese, S. H., 2016. Assessment of ANN and SVM models for
estimating normal direct irradiation. Energy Conversion and Management, v.126, p.826-836.
Sanusi, Y. K.; Abisoye, S. G.; Abiodun, A. O., 2013. Application of Artificial Neural Networks to Predict Daily Solar
Radiation in Sokoto. International Journal of Current Engineering and Technology, v. 3, n. 2, p. 647 – 652.
Satyamurty, P.; Nobre, C. A.; Silva Dias, P. L. Topics: South America. Meteorological Monographs, v.27, n.49, p.119-
139, 1998.
Sayed Saber Sharifia,⁎, Vahid Rezaverdinejada, Vahid Nouranib Sharifi, S. S.; Resaverdineja, V.; Nourani, V., 2016.
Estimation of daily global solar radiation using wavelet regression, ANN, GEP and empirical models: A
comparative study of selected temperature based approaches. Journal of Atmospheric and Solar-Terrestrial
Physics,v. 149, p. 131 – 145.
Silva, C. R.; Silva, V. J.; Júnior, J. A.; Carvalho, H. P., 2012. Radiação solar estimada com base na temperatura do ar
para três regiões de Minas Gerais. Revista Brasileira de Engenharia Agrícola e Ambiental, v.16, p. 281-288.
Silva, M. B. P.; Escobedo, J. F.; Rossi, T. J.; et al., 2017. Performance of the Ansgstrom-Prescott model and SVM and
ANN techniques to estimate daily global solar radiation in Botucatu/SP/Brazil. Journal of Atmospheric and Solar-
Terrestrial Physics, v.160, p. 11-23.
Souza, J. L.; Lyra, G. B.; Santos, C. M.et al., 2016. Empirical models of daily and monthly global solar irradiation
using sunshine duration for Alagoas State, Northeastern Brazil. Sustainable Energy Technologies and
Assessments, v.14, p. 35-45.
Tymvios, F. S.; Jacovides, C. P.; Michaelides, S. C.; Scouteli, C., 2005. Comparative study of Angstrom’s and artificial
neural networks’ methodologies in estimating global solar radiation. Solar Energy, v. 78, p. 752-762.
Urraca, R.; Antonanzas, J.; Pisón, F. J. M.; Torres, F. A., 2015. Estimation of solar global irradiation in remotes areas.
Journal of Renewable and Sustainable Energy, v. 7.
Ugwu, A. I.; Ugwuanyi, J. U., 2011. Performance assessment of Hargreaves model in estimating solar radiation in
Abuja using minimum climatological data. Journal of the Physical Sciences, v. 6(31), p. 7285 – 7290.
Yacef, R.; Mellit, A.; Belaid, Sen, Z., 2014. New combined models for estimating daily global solar radiation from
measured air temperature in semi-arid climates: Aplication in Ghardaia, Algeria. Energy Conversion and
Management, v. 79, p. 606 – 615.
Zhang, F.; Zhou, X.; Zhang, H.; Peng, X.; Wang, Z., 2014. On the relationship between direct and anisotropic diffuse
radiation. Infrared Physics & Technology, v.65, p.5-8.

ESTIMATION OF GLOBAL SOLAR IRRADIATION BY HARGREAVES-SAMANI MODELS AND

LEARNING OF SVM AND ANN MACHINE IN BOTUCATU/SP/BRAZIL

Abstract. In this paper the comparative study between two methods of global solar radiation estimation Hargreaves-
Samani statistical model (HS) and the machine learning models Artificial Neural Network (ANN) and Support Vector
Machine (SVM), for three combinations of inputs of meteorological variables. The values of the r, rMBE, rRMSE and
Wilmott statistical indicative values obtained in the validation of the models were conclusive: the SVM3 technique
showed better performance than the ANN3 network and the statistical model (HS) in estimating H G, ANN3 technique
has superior performance to the statistical model (HS) in estimating HG.

Key words: Solar radiation, Hargreaves-Samani model, statistical modeling; artificial intelligence, meteorological
variables.