Resumo: Este estudo explora a aplicação de arquiteturas de aprendizado de máquina (ML) baseadas em memória, como Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU), para estimar dados horários de Irradiação Horizontal Global (GHI). Esses modelos de ML são comparados com modelos físicos tradicionais propostos por Collares-Pereira, Garg e Yao. Além disso, o Perceptron Multicamadas (MLP) e as Redes Neurais Convolucionais (CNN) são considerados e avaliados. Os modelos de ML são treinados usando uma abordagem de janela deslizante, com variáveis de entrada como irradiância diária total, ângulo horário do nascer do sol e ângulo horário solar. A otimização dos hiperparâmetros é realizada usando uma técnica de busca aleatória para melhorar o desempenho do modelo. O estudo também aborda o impacto do tamanho da janela e diferentes combinações de características de entrada no desempenho do modelo. Essa abordagem orientada por dados reduz a dependência de dados meteorológicos extensos, tornando-a aplicável em locais diversos. Os resultados indicam que os modelos de ML superam os modelos físicos, com a LSTM demonstrando o melhor desempenho geral. O desempenho superior dos modelos de ML é atribuído à sua capacidade de capturar relações complexas e não lineares nos dados. Este estudo destaca o potencial dos modelos orientados por dados na estimativa de energia solar, oferecendo uma alternativa flexível e robusta aos modelos físicos tradicionais Ver menos

Abstract: This study explores the application of memory-based machine learning (ML) architectures, such as Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU), for estimating hourly Global Horizontal Irradiation (GHI) data. These ML models are compared against traditional physical models proposed by Collares-Pereira, Garg, and Yao. Additionally, the Multilyer Perceptron (MLP) and the Convolutional Neural Networks (CNN) are considered and evaluated. The ML models are trained using a rolling-window approach, with input features such as total daily irradiance, sunrise hour angle, and solar hour angle. Hyperparameter optimization is performed using the random search technique to enhance model performance. The study also investigates the impact of window size and different combinations of input features on model performance. This data-driven approach reduces the reliance on extensive meteorological data, making it applicable across diverse locations. Results indicate that ML models outperform physical models, with LSTM demonstrating the best performance overall. The superior performance of ML models is attributed to their ability to capture complex, non-linear relationships in the data. This study underscores the potential of data-driven models in solar energy estimation, offering a flexible and robust alternative to traditional physical models Ver menos