Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Federal University of Technology-Paraná (UTFPR) | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.creator | Souza, Wesley A. | - |
Autor(es): dc.creator | Alonso, Augusto M. S. | - |
Autor(es): dc.creator | Bernardino, Luiz G. R. | - |
Autor(es): dc.creator | Castoldi, Marcelo F. | - |
Autor(es): dc.creator | Nascimento, Claudionor F. | - |
Autor(es): dc.creator | Marafão, Fernando P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:42:30Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:42:30Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/978-3-031-48652-4_5 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/302007 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/302007 | - |
Descrição: dc.description | Solar irradiation is the backbone of photovoltaic power technologies and its quantization allows to optimize energy generation. However, solar irradiation can be difficult to detect, mostly due to the design and disposition of sensors, as well as their high cost. To address this limitation, this paper proposes a deep neural network-based model to estimate global solar irradiation by only relying on weather data, focusing on applications targeting the Brazilian territory. The model uses a deep neural network trained with data from the Brazilian National Institute of Meteorology (INMET), which includes 606 nationwide weather stations and over 39 million hourly records of meteorological variables cataloged from years 2010 to 2022. Thus, in this paper i) a deep neural network is used to estimate irradiation, and ii) a long short-term memory is used to predict solar irradiation considering different time granularities: 5 min, 30 min, 6 h, and 1 day. The results show a small error between the measured irradiation data and the calculated results with regard to the following six meteorological variables: time, temperature, relative humidity, wind speed, precipitation, and atmospheric pressure. Moreover, experimental validations conducted using a weather station set up by the authors demonstrate that the proposed models can accurately predict solar irradiation. Thus, the developed model stands as a promising approach for applications within the Brazilian perspective, improving the efficiency and reliability of solar energy generation. | - |
Descrição: dc.description | DAELE Federal University of Technology-Paraná (UTFPR), Cornélio Procópio, PR | - |
Descrição: dc.description | EESC University of São Paulo (USP), São Carlos, SP | - |
Descrição: dc.description | ICTS São Paulo State University (UNESP), Sorocaba, SP | - |
Descrição: dc.description | DEE Federal University of São Carlos (UFSCar), SP | - |
Descrição: dc.description | ICTS São Paulo State University (UNESP), Sorocaba, SP | - |
Formato: dc.format | 63-82 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Solar irradiation | - |
Palavras-chave: dc.subject | Weather quantities | - |
Palavras-chave: dc.subject | Weather station | - |
Título: dc.title | Deep Learning Models to Estimate and Predict the Solar Irradiation in Brazil | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: