Aplicações e desafios da inteligência artificial na previsão da radiação solar: uma revisão sistemática

Autores

DOI:

https://doi.org/10.55761/abclima.v36i21.18872

Palavras-chave:

Aprendizado de máquina, Aprendizado Profundo, Modelo de previsão, Redes Neurais Artificiais

Resumo

A previsão precisa da radiação solar é fundamental para diversas áreas, como energia solar e agricultura. A Inteligência Artificial (IA) tem se mostrado uma ferramenta poderosa para aprimorar essas previsões. Este estudo analisou diversas pesquisas que utilizam IA para prever a radiação solar. As técnicas mais comuns incluem redes neurais, máquinas de vetores de suporte e aprendizado profundo. Essas técnicas são capazes de identificar padrões complexos nos dados e relacionar a radiação solar com fatores como temperatura, umidade e nebulosidade. Os modelos de IA são treinados com grandes conjuntos de dados meteorológicos e de radiação solar, o que lhes permite aprender a fazer previsões mais precisas. As métricas utilizadas para avaliar o desempenho desses modelos incluem o erro médio quadrático (RMSE), o coeficiente de determinação (R²) e o erro percentual absoluto médio (MAPE). A revisão demonstra que a IA tem um grande potencial para melhorar a previsão da radiação solar. As previsões mais precisas podem otimizar a produção de energia solar, melhorar a gestão da irrigação e auxiliar em diversos outros processos que dependem da radiação solar.

Downloads

Não há dados estatísticos.

Biografia do Autor

Camila Piacitelli Tieghi, Universidade de São Paulo (USP)

Pós-Doutorado: Utilização de Inteligência Artificial e Programação em Python para Otimização da Geração de Energia Solar. Início: 2023. Universidade de São Paulo - Faculdade de Zootecnia e Engenharia de Alimentos de Pirassununga.Doutora em Agronomia (Energia na Agricultura) pela Faculdade de Ciências Agronômicas - Universidade Estadual Paulista Júlio de Mesquita Filho (FCA UNESP) (2023). Licenciatura em Pedagogia na Faculdade Campos Elísios (2022). Mestre em Agronomia (Energia na Agricultura) pela Faculdade de Ciências Agronômicas - Universidade Estadual Paulista Júlio de Mesquita Filho (FCA UNESP) (2018). Especialização em Gestão de Bancos de dados pela Universidade Luterana do Brasil (ULBRA) (2014). Graduada em Informática para gestão de negócios pela Faculdade de Tecnologia de Botucatu (FATEC) (2013). Entre 2011 à 2015, atuou como instrutora de informática na escola SENAI "Luís Massa" em Botucatu SP, onde ministrou cursos de Operador de microcomputador (pacote MS Office, sistemas operacionais, internet) , MS Word e Excel avançado, CorelDraw, AutoCAD e Web design.Atualmente é:- Professora de programação e desenvolvimento de jogos (JavaScript, HTML, CSS), aplicativos em React Native e Python, Machine learning, Inteligência Artificial e Ciência de dados) na escola Byjus Future School (Home Office).- Professora de Ensino médio e técnico na Etec Dr. Domingos Minicucci Filho de Botucatu como professora de desenvolvimento web e segurança da informação.

Fernando de Lima Caneppele, Universidade de São Paulo (USP)

Professor Associado na Universidade de São Paulo (USP) e participando do Programa Ano Sabático do Instituto de Estudos Avançados (IEA/USP) em 2024, atuando com foco em Energia e Especialista em Transição Energética e Objetivo de Desenvolvimento Sustentável 7 (ODS7). Possui graduação em Engenharia Elétrica pela Faculdade de Engenharia Industrial (FEI, 1999), Mestrado e Doutorado em Agronomia - Energia na Agricultura pela Faculdade de Ciências Agronômicas da UNESP (FCA, 2007 e 2011). Além disso, detém Licenciatura para Bacharéis e Tecnólogos e Matemática adquirida pela UNINOVE (2008), Pós-Doutorado pela UNESP (2018) e Livre-Docência pela USP (2020). Com mais de 20 anos de experiência acadêmica, atualmente atua como docente na Graduação em disciplinas dos cursos de Engenharia de Biossistemas e Engenharia de Alimentos na Faculdade de Zootecnia e Engenharia de Alimentos da USP (FZEA). Na Pós-Graduação, é responsável por disciplinas e pela orientação de Mestrado e Doutorado no Programa de Pós-Graduação em Engenharia Agrícola na Faculdade de Ciências Agronômicas da UNESP (FCA). Tem experiência consolidada em Engenharia Elétrica e de Energia, com atuação em Eficiência Energética, Fontes Alternativas e Renováveis de Energia, Estudos da Matriz Energética, e Geração de Energia e seu Impacto Ambiental. Também tem experiência prática adquirida em estágio na BRF durante sua formação em engenharia, o que contribui para a qualidade das suas aulas. Competência também na área de Educação no Ensino Superior e Neuro-Fuzzy. Coordena o FuturEnergy, dedicado à pesquisa, estudos e análises em Transição Energética, ODS7 e Inovação Sustentável. Também participa de grupos de pesquisa como coordenador e colaborador, e é bastante atuante na divulgação científica. Participa como pesquisador do GEPEA - Grupo de Energia do Departamento de Energia e Automação Elétricas da EPUSP (POLI-USP). Os projetos de pesquisa atuais com fomento incluem Modelagem e Predição de Geração de Energia Renovável Utilizando Inteligência Artificial: um Caminho para a Transição Energética no Brasil - CNPq/MCTI (2023-2026) e Impulso Energético Sustentável: Abordagem Multidisciplinar para a Transição Energética e o Cumprimento do ODS7 - IEA/USP (2024-2025). No âmbito do ensino, atua em projetos como "Aprendizagem Ativa: Promoção da Autonomia do Aluno na Construção do Conhecimento" (2021 atual) e "Ensino por Competências no Ensino Superior Implementação e Avaliação" (2022 atual). Engajado em atividades de extensão, atualmente coordena a série "Energia da USP" (2021 atual), veiculada semanalmente na Rádio USP Ribeirão Preto. A série já abordou diversos temas importantes e atuais, tais como a invasão da inteligência artificial no setor elétrico, a geração distribuída de energia solar, a crise hídrica e a relação entre energia e mudanças climáticas. Coordena também o Podcast "Energia Sustentável da USP" (2023 atual), que é transmitido quinzenalmente pela Rádio USP e disponibilizado no Jornal da USP. O podcast aborda temas atuais que tenham relação com energia, entre eles, ciências, cultura, educação e muito mais. É colunista do Jornal Ribeirão e da pv-magazine na área de transição energética. Realiza também treinamentos e consultorias nas áreas de atuação, certificados pela CERT/USP. Os documentos comprobatórios das atividades estão disponíveis para consulta e devem ser solicitados diretamente ao docente. Mais informações podem ser encontradas no LinkedIn - https://www.linkedin.com/in/fercaneppele/ e Link Bio - Link Bio - https://lnk.bio/fercaneppele e https://linko.page/fercaneppele

Alexandre Dal Pai, Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP)

Possui graduação em Física pela Universidade de São Paulo (1998), mestrado em Agronomia (Energia na Agricultura) pela Universidade Estadual Paulista Júlio de Mesquita Filho (2001) e doutorado em Agronomia (Energia na Agricultura) pela Universidade Estadual Paulista Júlio de Mesquita Filho (2005). Atualmente é docente da Faculdade de Ciências Agronômicas da UNESP/Botucatu, onde leciona as disciplinas de física do curso de graduação em Engenharia de Bioprocessos e Biotecnologia. Participa também lecionando e orientando na pós-graduação em Agronomia, nos programas Energia na Agricultura e Irrigação e Drenagem. Possui experiência nas áreas de energias renováveis, processos de conversão de energia solar e biomassa, modelos de estimativa da radiação solar e da fotossinteticamente ativa, além de estudos sobre métodos de medida da radiação solar difusa.

Emmanuel Zullo Godinho, Universidade de São Paulo (USP)

Graduado em Engenharia Agronômica pela Escola Superior de Agronomia de Paraguaçu Paulista - ESAPP. Mestre em Bioenergia pela Universidade Estadual do Oeste do Paraná - UNIOESTE. Doutor em Agronomia na Universidade Estadual Paulista – UNESP. Pós-doutorando em Engenharia de Biossistemas na Universidade de São Paulo – USP. Pós-graduado pela Fundação Getúlio Vargas FGV-RJ com MBA em Gestão Internacional em Agribusiness. Pós-graduado em Docência no Ensino Superior e em Educação Especial e Inclusiva pela Faculdade Venda Nova do Imigrante - FAVENI. Graduado com Licenciatura em Matemática pela Universidade Federal Tecnológica do Paraná – UTFPR e licenciado em Pedagogia pela Faculdade Intervale. Pós-graduando em Química na Universidade do ABC. Estudante de graduação em Licenciatura em Educação Física na Faculdade Venda Nova do Imigrante – FAVENI. Participo do grupo de pesquisa da Agroenerbio USP/UNESP. Conhecimento dos programas de estatística e modelagem matemática: Lógica fuzzy, Statistica, Action, Origin. Linha de pesquisa é ENERGIAS RENOVÁVEIS e LÓGICA FUZZY. Possui experiência como docente no ensino fundamental, médio, graduação e pós-graduação.

Carlos Frederico Meschini Almeida, Universidade de São Paulo (USP)

Graduado em Engenharia Elétrica pela Escola Politécnica da Universidade de São Paulo (2003). Possui Mestrado e Doutorado em Engenharia Elétrica, com ênfase em Sistemas Elétricos de Potência, pela mesma instituição (2007 e 2011, respectivamente). Atualmente é Professor Doutor da EPUSP, integrando o Departamento de Energia e Automação Elétricas. Tem experiência nas áreas de Transmissão e Distribuição da Energia Elétrica, atuando principalmente nos seguintes temas: Qualidade de Energia Elétrica, Redes Inteligentes, Planejamento de Sistemas Elétricos e Projetos de Instalações Elétricas.

Diego Cunha Malagueta, Universidade Federal do Rio de Janeiro (UFRJ)

Professor Adjunto IV nas engenharias do iPoli-UFRJ/Macaé desde 2013, com atuação em Planejamento Energético e Engenharia Mecânica. Possui doutorado em Planejamento Energético pela COPPE/UFRJ, com foco em energias renováveis, especialmente solar. Atua em pesquisa, ensino e extensão universitária, desenvolvendo projetos em simulação de sistemas energéticos, tecnologias solares e políticas públicas. É professor convidado em diversas instituições e coordenador de cursos de especialização. Além disso, é um divulgador científico atuante, com um podcast e canal no YouTube dedicados à energia. Sua experiência abrange desde a matriz energética brasileira até aplicações práticas de energias renováveis, como dessalinização e refrigeração solar.

Murilo Miceno Frigo, Universidade Federal de Mato Grosso do Sul (UFMS)

Graduado em engenharia elétrica pela Universidade Federal de Mato Grosso do Sul (2010). Mestrado em Engenharia Elétrica pela UFMS (2013), área de pesquisa : Energia, Planejamento, Operação e Controle de Sistemas Elétricos. Atualmente professor EBTT no Instituto Federal de Mato Grosso do Sul (IFMS) nos cursos de Técnico em Eletrotécnica, Tecnologia de Automação Industrial Engenharia de Controle e Automação. Foi professor do Curso de Engenharia Elétrica Universidade Federal do Tocantins - UFT (2013-2016). Desenvolve pesquisa e extensão nas áreas de gestão e eficiência energética, fontes alternativas de energia e educação aplicada ao ensino profissional e tecnológico.

Referências

ADEDEJI, P. A. et al. Evolutionary-based neurofuzzy model with wavelet decomposition for global horizontal irradiance medium-term prediction. Journal of Ambient Intelligence and Humanized Computing, 14 jan. 2022.

AL-ROUSAN, N.; AL-NAJJAR, H. A Comparative Assessment of Time Series Forecasting Using NARX and SARIMA to Predict Hourly, Daily, and Monthly Global Solar Radiation Based on Short-Term Dataset. Arabian Journal for Science and Engineering, 4 maio. 2021.

ALKAHTANI, H.; ALDHYANI, T. H. H.; ALSUBARI, S. N. Application of Artificial Intelligence Model Solar Radiation Prediction for Renewable Energy Systems. Sustainability, v. 15, n. 8, p. 6973, 21 abr. 2023.

ALASSERY, F. et al. An artificial intelligence-based solar radiation prophesy model for green energy utilization in energy management system. Sustainable Energy Technologies and Assessments, v. 52, p. 102060, ago. 2022.

ALIZAMIR, M. et al. A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, v. 197, p. 117239, abr. 2020.

ALIZAMIR, M. et al. Improving the accuracy of daily solar radiation prediction by climatic data using an efficient hybrid deep learning model: Long short-term memory (LSTM) network coupled with wavelet transform. Engineering Applications of Artificial Intelligence, v. 123, p. 106199, ago. 2023.

CHEN, Y. et al. Proactively selection of input variables based on information gain factors for deep learning models in short-term solar irradiance forecasting. Energy, v. 284, p. 129261, 1 dez. 2023.

FAN, J. et al. Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China. Energy Conversion and Management, v. 164, p. 102–111, 15 maio 2018.

FENG, Y. et al. Comparison of artificial intelligence and empirical models for estimation of daily diffuse solar radiation in North China Plain. v. 42, n. 21, p. 14418–14428, 1 maio 2017.

GÜREL, A. E. et al. A state of art review on estimation of solar radiation with various models. Heliyon, p. e13167, jan. 2023.

HEDAR, Abdel-Rahman et al. Hybrid Machine Learning for Solar Radiation Prediction in Reduced Feature Spaces. Energies, v. 14, n. 23, p. 7970, 1 jan. 2021.

HUANG, J.; LIU, H. A hybrid decomposition-boosting model for short-term multi-step solar radiation forecasting with NARX neural network. Journal of Central South University, v. 28, n. 2, p. 507–526, 1 fev. 2021.

JAFRI, N.; T., M. ; AHAD, A. The role of artificial intelligence in solar harvesting, storage, and conversion. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/B9780323906012000106>. Acesso em: 21 jul. 2023.

AIMEUR, K.; SAOUD, L. S.; GHORBANI, R. Short-Term Solar Irradiance Forecasting and Photovoltaic System Management Using Octonion Neural Networks. Applied Solar Energy, v. 56, n. 3, p. 219–226, maio 2020.

KHOSRAVI, A. et al. Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms. Journal of Cleaner Production, v. 176, p. 63–75, mar. 2018 a.

KHOSRAVI, A. et al. Comparison of artificial intelligence methods in estimation of daily global solar radiation. Journal of Cleaner Production, v. 194, p. 342–358, set. 2018 b.

KHOSRAVI, A. et al. Energy modeling of a solar dish/Stirling by artificial intelligence approach. Energy Conversion and Management, v. 199, p. 112021, 1 nov. 2019.

KOSOVIC, I. N.; MASTELIC, T.; IVANKOVIC, D. Using Artificial Intelligence on environmental data from Internet of Things for estimating solar radiation: Comprehensive analysis. Journal of Cleaner Production, v. 266, p. 121489, set. 2020.

LIMA, M. A. F.B. et al. Improving solar forecasting using Deep Learning and Portfolio Theory integration. Energy, v. 195, p. 117016, mar. 2020.

LOU, S. et al. Prediction of diffuse solar irradiance using machine learning and multivariable regression. Applied Energy, v. 181, p. 367–374, nov. 2016.

MALIK, P. et al. A Review on ANN Based Model for Solar Radiation and Wind Speed Prediction with Real-Time Data. Archives of Computational Methods in Engineering, v. 29, n. 5, p. 3183–3201, 6 jan. 2022.

MCCANDLESS, T.C.; HAUPT, S.E.; YOUNG, G.S. A model tree approach to forecasting solar irradiance variability. Solar Energy, v. 120, p. 514–524, out. 2015.

MEHDIZADEH, S.; BEHMANESH, J.; KHALILI, K. 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, ago. 2016.

ALIZAMIR, M. et al. A New Insight for Daily Solar Radiation Prediction by Meteorological Data Using an Advanced Artificial Intelligence Algorithm: Deep Extreme Learning Machine Integrated with Variational Mode Decomposition Technique. Sustainability, v. 15, n. 14, p. 11275–11275, 19 jul. 2023.

MOHAMMADI, B. et al. Application of ERA-Interim, empirical models, and an artificial intelligence-based model for estimating daily solar radiation. Ain Shams Engineering Journal, v. 13, n. 1, p. 101498, 1 jan. 2022.

NAWAB, F. et al. Solar irradiation prediction using empirical and artificial intelligence methods: A comparative review. Heliyon, v. 9, n. 6, p. e17038, 1 jun. 2023.

NESHAT, M. et al. Short-term solar radiation forecasting using hybrid deep residual learning and gated LSTM recurrent network with differential covariance matrix adaptation evolution strategy. Energy, v. 278, p. 127701, 1 set. 2023.

OLABI, A.G. et al. Application of artificial intelligence for prediction, optimization, and control of thermal energy storage systems. Thermal Science and Engineering Progress, p. 101730, fev. 2023.

OLATOMIWA, Lanre et al. A support vector machine–firefly algorithm-based model for global solar radiation prediction. Solar Energy, v. 115, p. 632–644, maio 2015.

RAJASUNDRAPANDIYANLEEBANON, T. et al. Solar Energy Forecasting Using Machine Learning and Deep Learning Techniques. Archives of Computational Methods in Engineering, 24 fev. 2023.

SAYED, E. T. et al. Application of artificial intelligence techniques for modeling, optimizing, and controlling desalination systems powered by renewable energy resources. Journal of Cleaner Production, v. 413, p. 137486, 10 ago. 2023.

MOUSAVI, S. M.; MOSTAFAVI, E. S.; JIAO, P. Next generation prediction model for daily solar radiation on horizontal surface using a hybrid neural network and simulated annealing method. Energy Conversion and Management, v. 153, p. 671–682, 1 dez. 2017.

SENGUPTA, M. et al. The National Solar Radiation Data Base (NSRDB). Renewable and Sustainable Energy Reviews, v. 89, p. 51-60, 2018.

GESHNIGANI, F. S. et al. Daily solar radiation estimation in Belleville station, Illinois, using ensemble artificial intelligence approaches. Engineering Applications of Artificial Intelligence, v. 120, p. 105839, abr. 2023.

SUDHARSHAN, K. et al. Systematic Review on Impact of Different Irradiance Forecasting Techniques for Solar Energy Prediction. Energies, v. 15, n. 17, p. 6267, 1 jan. 2022.

TAOM, H. et al.Global solar radiation prediction over North Dakota using air temperature: Development of novel hybrid intelligence model. Energy Reports, v. 7, p. 136–157, nov. 2021.

VEISI, O.; SHAKIBAMANESH, A.; RAHBAR, M. Using intelligent multi-objective optimization and artificial neural networking to achieve maximum solar radiation with minimum volume in the archetype urban block. Sustainable Cities and Society, v. 86, p. 104101, 1 nov. 2022.

WANG, Z. et al. Hourly Solar Radiation Forecasting Using a Volterra-Least Squares Support Vector Machine Model Combined with Signal Decomposition. v. 11, n. 1, p. 68–68, 1 jan. 2018.

WANG, Z. et al. Taxonomy research of artificial intelligence for deterministic solar power forecasting. Energy Conversion and Management, v. 214, p. 112909, 15 jun. 2020.

YÜZER, E. Ö; BOZKURT, A. Deep learning model for regional solar radiation estimation using satellite images. Ain Shams Engineering Journal, p. 102057, dez. 2022.

ZAIM, S. et al. Using artificial intelligence for global solar radiation modeling from meteorological variables. Renewable Energy, v. 215, p. 118904, 1 out. 2023.

ZHOU, Y. Artificial intelligence in renewable systems for transformation towards intelligent buildings. Energy and AI, v. 10, p. 100182, nov. 2022.

Downloads

Publicado

04-02-2025

Como Citar

Tieghi, C. P., Caneppele, F. de L., Dal Pai, A., Godinho, E. Z., Almeida, C. F. M., Malagueta, D. C., & Frigo, M. M. (2025). Aplicações e desafios da inteligência artificial na previsão da radiação solar: uma revisão sistemática. Revista Brasileira De Climatologia, 36(21), 170–201. https://doi.org/10.55761/abclima.v36i21.18872

Edição

Seção

Artigos