PREVISÃO DE VARIÁVEIS AMBIENTAIS NA AMAZÔNIA COM USO DE REDES NEURAIS ARTIFICIAIS DO TIPO LONG SHORT-TERM MEMORY
Predição de temperatura, Predição de irradiância solar, Deep Learning, Long short-term Memory
Com a expansão da indústria de energia solar fotovoltaica veio também a busca pela melhoria da eficiência de seus sistemas. A previsão de variáveis ambientais como temperatura e irradiância solar ajudam na tomada de decisão do uso destes sistemas. Neste trabalho utilizamos o método de Rede Neural Artificial de memorias de curto-longo prazo (LSTM), parar gerar modelos diferentes em diferentes arquiteturas e avalia-los. Os dados foram obtidos para duas cidades localizadas na região amazônica, onde obtivemos dois datasets de temperatura e um dataset de irradiância solar. Durante o tratamento dos datasets foram verificadas características das séries de dados como autocorrelação e estacionariedade e os dados foram divididos em treino-teste e validação. As arquiteturas utilizadas possuem diferenças em seus números de camadas, para analisar a influência da complexidade das arquiteturas sem seus desempenhos. Neste estudo os resultados demonstraram que uma arquitetura menos complexa de LSTM obtém desempenho superior, que decai à medida que se aumenta o número de camadas. Na validação dos dados a arquitetura de 3 camadas apresentou diferença estatisticamente significativa da arquitetura de 7 camadas. Para o dataset de temperatura do LABIC as médias de RMSE das duas arquiteturas foram de 0.9393°F e 1.4531°F, para 3 e 7 camadas, respectivamente; para o dataset de temperatura do GEDAE a média de RMSE foi de 1.6499°F e 1.9767°F, para 3 e 7 camadas, respectivamente; e no dataset de irradiância solar obtivemos RMSE médio de 170.6649 W/m² e 204.7825 W/m², para 3 e 7 camadas, respectivamente. A arquitetura de 3 camadas se demonstrou a melhor arquitetura dentre as utilizadas