Published July 11, 2019 | Version v1
Publication Open

Estimation of daily, weekly and monthly global solar radiation using ANNs and a long data set: a case study of Fortaleza, in Brazilian Northeast region

Creators

  • 1. Universidade Federal do Ceará

Description

A 14-year-long data set containing daily values of meteorological variables was used to train three artificial neural networks (ANNs) for daily, weekly averaged and monthly averaged global solar radiation prediction for Fortaleza, in the Brazilian Northeast region. Local climate is semiarid coastal. Day of the year, maximum temperature, minimum temperature, irradiance, precipitation, cloudiness, extraterrestrial radiation, relative humidity, evaporation and wind speed were adopted as predictors. The ANNs were developed by an in-house code and trained with the Broyden–Fletcher–Goldfarb–Shanno (BFGS) algorithm. Besides the lack of explicit predictors able to model El Niño and La Niña phenomena, which have strong influence on local weather, the accuracy of the predictions was considered excellent according to its values of normalized root-mean-square error (nRMSE) and good relative to mean absolute percentage error (MAPE) values. Both error metrics presented the smallest values for the monthly case study.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تم استخدام مجموعة بيانات مدتها 14 عامًا تحتوي على القيم اليومية لمتغيرات الأرصاد الجوية لتدريب ثلاث شبكات عصبية اصطناعية (ANNs) للتنبؤ اليومي والأسبوعي والمتوسط الشهري للإشعاع الشمسي العالمي لفورتاليزا، في المنطقة الشمالية الشرقية البرازيلية. المناخ المحلي شبه قاحل ساحلي. تم اعتماد يوم من السنة، ودرجة الحرارة القصوى، ودرجة الحرارة الدنيا، والإشعاع، وهطول الأمطار، والغيوم، والإشعاع خارج الأرض، والرطوبة النسبية، والتبخر وسرعة الرياح كمؤشرات. تم تطوير ANNs بواسطة رمز داخلي وتم تدريبها باستخدام خوارزمية Broyden - Fletcher - Goldfarb - Shanno (BFGS). إلى جانب الافتقار إلى تنبؤات صريحة قادرة على نمذجة ظاهرة النينيو والنينيا، والتي لها تأثير قوي على الطقس المحلي، اعتبرت دقة التنبؤات ممتازة وفقًا لقيمها لخطأ الجذر التربيعي المعياري (nRMSE) وجيدة بالنسبة لقيم متوسط النسبة المئوية المطلقة للخطأ (MAPE). قدم كلا مقياسي الخطأ أصغر القيم لدراسة الحالة الشهرية.

Translated Description (French)

Un ensemble de données de 14 ans contenant des valeurs quotidiennes de variables météorologiques a été utilisé pour former trois réseaux de neurones artificiels (RNA) pour la prévision quotidienne, hebdomadaire et mensuelle du rayonnement solaire mondial moyen pour Fortaleza, dans la région du Nord-Est brésilien. Le climat local est semi-aride côtier. Jour de l'année, la température maximale, la température minimale, l'irradiance, les précipitations, la nébulosité, le rayonnement extraterrestre, l'humidité relative, l'évaporation et la vitesse du vent ont été adoptés comme prédicteurs. Les ANN ont été développés par un code interne et formés avec l'algorithme Broyden–Fletcher–Goldfarb–Shanno (BFGS). Outre le manque de prédicteurs explicites capables de modéliser les phénomènes El Niño et La Niña, qui ont une forte influence sur la météo locale, la précision des prédictions a été considérée comme excellente en fonction de ses valeurs d'erreur quadratique moyenne normalisée (nRMSE) et bonnes par rapport aux valeurs d'erreur en pourcentage absolu moyen (MAPE). Les deux mesures d'erreur ont présenté les plus petites valeurs pour l'étude de cas mensuelle.

Translated Description (Spanish)

Se utilizó un conjunto de datos de 14 años de duración que contenía valores diarios de variables meteorológicas para entrenar tres redes neuronales artificiales (RNA) para la predicción de la radiación solar global promediada diaria, semanal y mensual para Fortaleza, en la región noreste de Brasil. El clima local es costero semiárido. Día del año, se adoptaron como predictores temperatura máxima, temperatura mínima, irradiancia, precipitación, nubosidad, radiación extraterrestre, humedad relativa, evaporación y velocidad del viento. Las RNA fueron desarrolladas por un código interno y entrenadas con el algoritmo Broyden–Fletcher–Goldfarb–Shanno (BFGS). Además de la falta de predictores explícitos capaces de modelar los fenómenos de El Niño y La Niña, que tienen una fuerte influencia en el clima local, la precisión de las predicciones se consideró excelente de acuerdo con sus valores de error cuadrático medio normalizado (nRMSE) y buenos valores relativos al error porcentual absoluto medio (MAPE). Ambas métricas de error presentaron los valores más pequeños para el estudio de caso mensual.

Files

s40095-019-0313-0.pdf.pdf

Files (1.8 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:30cb7ded72e9bdb7f029c514e84e7899
1.8 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تقدير الإشعاع الشمسي العالمي اليومي والأسبوعي والشهري باستخدام ANNs ومجموعة بيانات طويلة: دراسة حالة لفورتاليزا، في المنطقة الشمالية الشرقية البرازيلية
Translated title (French)
Estimation du rayonnement solaire mondial quotidien, hebdomadaire et mensuel à l'aide d'ANN et d'un long ensemble de données : une étude de cas de Fortaleza, dans la région du Nord-Est brésilien
Translated title (Spanish)
Estimación de la radiación solar global diaria, semanal y mensual utilizando Ann y un largo conjunto de datos: un estudio de caso de Fortaleza, en la región noreste de Brasil

Identifiers

Other
https://openalex.org/W2957806823
DOI
10.1007/s40095-019-0313-0

Is supplement to
https://openalex.org/W4212917679 (Other)
https://openalex.org/W2901730192 (Other)
https://openalex.org/W2238997190 (Other)
https://openalex.org/W2169676288 (Other)
https://openalex.org/W2081001065 (Other)
https://openalex.org/W2016023662 (Other)
https://openalex.org/W2007312163 (Other)
https://openalex.org/W1978123301 (Other)
https://openalex.org/W1926949879 (Other)
https://openalex.org/W1425962979 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Brazil

References

  • https://openalex.org/W1582774210
  • https://openalex.org/W1663973292
  • https://openalex.org/W1966499742
  • https://openalex.org/W1967086114
  • https://openalex.org/W1970589326
  • https://openalex.org/W1976049118
  • https://openalex.org/W2014321992
  • https://openalex.org/W2019777260
  • https://openalex.org/W2019814461
  • https://openalex.org/W2020383304
  • https://openalex.org/W2027042652
  • https://openalex.org/W2030925139
  • https://openalex.org/W2044451649
  • https://openalex.org/W2052437577
  • https://openalex.org/W2069911320
  • https://openalex.org/W2090837670
  • https://openalex.org/W2099445341
  • https://openalex.org/W2113143455
  • https://openalex.org/W2124776405
  • https://openalex.org/W2128349896
  • https://openalex.org/W2161057893
  • https://openalex.org/W2205584564
  • https://openalex.org/W2228799413
  • https://openalex.org/W2238421820
  • https://openalex.org/W2315350461
  • https://openalex.org/W2318638513
  • https://openalex.org/W2338227759
  • https://openalex.org/W2346255329
  • https://openalex.org/W2407925861
  • https://openalex.org/W2471744513
  • https://openalex.org/W2479800452
  • https://openalex.org/W2492975200
  • https://openalex.org/W2509153420
  • https://openalex.org/W2520831516
  • https://openalex.org/W2521080030
  • https://openalex.org/W2533618104
  • https://openalex.org/W2549498483
  • https://openalex.org/W2558460778
  • https://openalex.org/W2581811121
  • https://openalex.org/W2587088850
  • https://openalex.org/W2587966954
  • https://openalex.org/W2588482621
  • https://openalex.org/W2588763092
  • https://openalex.org/W2610543879
  • https://openalex.org/W2611261068
  • https://openalex.org/W2616292854
  • https://openalex.org/W2621779208
  • https://openalex.org/W2625548386
  • https://openalex.org/W2692994384
  • https://openalex.org/W2746025724
  • https://openalex.org/W2763118770
  • https://openalex.org/W2765349067
  • https://openalex.org/W2768102848
  • https://openalex.org/W2770167649
  • https://openalex.org/W2771056109
  • https://openalex.org/W2776601846
  • https://openalex.org/W2964257300
  • https://openalex.org/W4255949318