MACHINE LEARNING-BASED VIRTUAL SENSOR FOR ESTIMATING PYRANOMETER IRRADIANCE USING LOW-COST TEMPERATURE DATA AND THEORETICAL SOLAR MODELS

Resumo

O monitoramento da irradiância solar é essencial para o dimensionamento, avaliação e operação de sistemas fotovoltaicos. Embora os piranômetros forneçam medições precisas, seu custo e requisitos de instalação podem limitar seu uso em larga escala, especialmente quando comparados a alternativas de menor custo. Este estudo investiga o uso de modelos de aprendizado de máquina (ML) como sensores virtuais para estimar a irradiância medida por piranômetros, utilizando apenas dados de temperatura obtidos por sensores LM35 de baixo custo e irradiância teórica derivada de modelos de céu claro. Um conjunto de dados de nove dias consecutivos foi processado por meio de interpolação linear e suavização para tratamento de valores ausentes e limpeza dos dados. Quinze modelos de regressão foram treinados e avaliados utilizando a temperatura e a irradiância teórica como variáveis de entrada. Modelos de ensemble e perceptrons multicamadas (MLP) apresentaram desempenho superior em relação às demais abordagens, alcançando coeficientes de determinação (R²) acima de 0,97. Esses resultados indicam que estimativas baseadas em ML podem se aproximar com alta precisão das leituras de piranômetros, quando treinadas com características de entrada apropriadas. A abordagem proposta representa uma alternativa de baixo custo para a estimativa de irradiância em contextos onde a instalação de piranômetros não seja viável, podendo contribuir para a análise e o monitoramento da energia solar com menor demanda por instrumentação.