Um grupo científico liderado por pesquisadores da Universidade Alemã da Jordânia analisou o efeito do chamado algoritmo de otimização de chimpanzés (ChOA) em diferentes modelos de aprendizado de máquina (ML) para previsão de produção de rendimento fotovoltaico.
O ChOA é baseado no comportamento de caça cooperativa de chimpanzés na natureza, imitando a maneira como eles trabalham juntos para atingir presas, comum entre pequenos mamíferos. Eles geralmente agem em um grupo de três ou quatro caçadores e inicialmente conduzem e bloqueiam a presa, e depois a perseguem e atacam.
O algoritmo explora diferentes combinações de parâmetros para alcançar o resultado mais promissor. Ele foi usado pelos cientistas para otimizar os hiperparâmetros para cinco tipos de modelos de ML. Isso inclui regressão linear múltipla (MLR), regressão de árvore de decisão (DTR), regressão de floresta aleatória (RFR), regressão de vetor de suporte (SVR) e percepção multicamada (MLP).
“A eficácia desta contribuição é verificada em relação aos dados de um estudo de caso real, recorrendo a várias métricas de desempenho da literatura, incluindo raiz do erro quadrático médio (RMSE), erro médio absoluto (MAE) e coeficiente de determinação (R2)”, explicaram os pesquisadores.
Os hiperparâmetros são configurações externas definidas antes do início do processo de aprendizagem que governam o processo de aprendizagem e não o alteram durante o treinamento. Os hiperparâmetros – como a taxa de aprendizado em redes neurais – influenciam a dinâmica do treinamento e podem, portanto, impactar significativamente a eficácia dos modelos.
Todos os cinco modelos, com e sem ChOA, foram treinados em 948 registros e testados em 362 registros. Os registros foram feitos entre 2015 e 2018 de um sistema fotovoltaico de 264 kW instalado em um telhado da Universidade de Ciências Aplicadas em Amã, capital da Jordânia. O ângulo de inclinação da instalação foi definido em 11 graus e o ângulo de azimute em −36 graus. Variáveis meteorológicas como velocidade do vento, umidade relativa, temperatura ambiente e irradiação solar foram medidas a partir de uma estação meteorológica próxima.
“Amã, na Jordânia, experimenta um clima mediterrâneo caracterizado por verões quentes e secos e invernos frios e úmidos”, acrescentaram os pesquisadores. “A temperatura média durante todo o ano é de 17,63° C, e a irradiação horizontal global média anual é de 2040,2 kWh/m2.”
Por meio dessa análise, os cientistas descobriram que todos os modelos experimentaram melhorias de desempenho como resultado do ajuste fino dos hiperparâmetros usando o ChOA.
“O DTR exibiu melhorias substanciais, com a RMSE de teste diminuindo para 1,972 e o R2 aumentando para 0,951”, explicaram. “O modelo RFR mostrou melhorias notáveis, com os valores RMSE diminuindo para 1,773 para treinamento e 1,837 para testes, e os valores R2 aumentando para 0,964 para treinamento e 0,963 para testes. O modelo SVR experimentou o aprimoramento mais notável, com o RMSE de teste caindo para 0,818 e o R2 aumentando para 0,977.”
Na otimização pós-ChOA, o MLP mostrou os melhores resultados na previsão do rendimento de energia fotovoltaica. Entre outros, foi capaz de atingir 0,503, 0,397 e 0,99 em RMSE, MAE e R2, respectivamente. “O ChOA ajustou efetivamente os parâmetros, resultando em melhor ajuste do modelo, redução do sobreajuste e generalização aprimorada em comparação com dois outros algoritmos de otimização amplamente utilizados da literatura: otimização de enxame de partículas (PSO) e algoritmo genético (GA)”, concluiu a equipe.
Os resultados foram apresentados no estudo “Enhancing solar photovoltaic energy production prediction using diverse machine learning models tuned with the chimp optimization algorithm,” publicado pela Scientific Reports. O grupo incluíu acadêmicos da Universidade Alemã da Jordânia, da Universidade da Jordânia, da Universidade Aplicada, Al-Balqa, e da Universidade Tuskegee, do Alabama.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.