Previsão de radiação solar a curto prazo utilizando modelos de machine learning

Abstract

Este relatório além de evidenciar as atividades desenvolvidas no período de iniciação científica visa aumentar a previsibilidade da incidência de radiação solar a curto-prazo em regiões pré-determinadas do estado de Santa Catarina, através de dados meteorológicos disponibilizados pelo Instituto nacional de Meteorologia (INMET). Para isso o estudo executa e compara resultados de diferentes modelos de previsão como Linear Regression (LR), Random Forest (RF) e Decision Tree Regressor (DTR) a fim de identificar aquele que possui melhor performance. Assim, para averiguar o desempenho de cada modelo utilizou-se uma abordagem de comparação de métricas de desempenho: mean Squared Error (MSE), mean absolute percentage error (MAPE), mean absolute error (MAE) e coeficiente de determinação (R2). De forma que a projeção da radiação incidida nas regiões selecionadas, realizada pelo modelo com melhores resultados, tenha maior confiabilidade e acurácia. O estudo revela uma disparidade de performance entre os modelos, dado que o modelo Random Forest em detrimento dos outros modelos (Linear Regression e Decision Tree Regressor) é mais eficaz nos cenários testados. Tal conclusão pode ser dada por diversos fatores como a não linearidade dos dados, o que prejudica o desempenho do modelo de regressão linear, ou a presença de outliers que passam despercebidos frequentemente por modelos como Decision Tree Regression e Regressão Linear. Portanto, posteriormente é apresentada a projeção do ano de 2023 feita pelo modelo Randon Forest e comparada com os dados originais registrados no mesmo ano. Vale ressaltar que, a pesquisa se concentra exclusivamente nos fatores disponibilizados pelo Instituto Nacional de Meteorologia, sem considerar outras variáveis que possam influenciar a obtenção propriamente dita desse tipo de energia, além disso, o estudo foi aplicado apenas em três cidades do estado.