Navegando por Palavras-chave "Imputation of Missing"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Uso de aprendizado de máquinas para imputação de valores de radiação solar
    (Universidade Federal de São Paulo, 2023-01-10) Juvêncio, Rafael Mariano [UNIFESP]; Martins, Fernando Ramos [UNIFESP]; http://lattes.cnpq.br/9012359647335296; Universidade Federal de São Paulo (UNIFESP)
    Possuir uma matriz energética diversificada é imprescindível para um país ter segurança elétrica, principalmente fazendo uso de recursos renováveis, como a energia solar. Para que se possa aproveitar seu uso é necessário a utilização de usinas fotovoltaicas ou centrais heliotérmicas e para realizar estudos de viabilidade de projetos envolvendo seu uso é necessário possuir uma base de dados com dados captados de radiação solar para que sejam realizadas as estimativas necessárias. Porém é conhecido que falhas e erros podem ocorrer, e surjam inúmeras lacunas de dados não captados, gerando valores ausentes nas bases de dados. Métodos simples de imputação de dados para o preenchimento de lacunas nas bases de dados podem apresentar incertezas elevadas uma vez que a irradiação incidente na superfície apresenta variabilidade não linear associadas com a condição meteorológica. Existem recursos de aprendizado de máquina capazes de realizar imputações para valores ausentes, realizar a predição e avaliar a métrica de forma adequada entre os valores reais e preditos. No presente trabalho foi realizado a aplicação de técnicas de imputação para valores ausentes baseados em métodos de aprendizagem de máquina: K-Vizinhos Próximos (KNN), Regressão Linear (Lr), Extra Tree (Et,) LightGBM, Catboost e ExtremeGradientBoosting (XGBoost). As incertezas dos métodos foram avaliadas com métricas estatísticas típicas como o desvio quadrático médio (MSE), desvio absoluto médio (MAE) e a raiz do MSE (RMSE). O método com os melhores resultados obtidos foi o catboost, apresentando a melhor correlação do R-quadrado, menor MSE e RMSE e segundo melhor MAE.