COUTO, OLIVEIRA & BRAGA

PREVISÃO DE RADIAÇÃO SOLAR INCIDENTE NO ESTADO DO CEARÁ - BRASIL

H. J. B. COUTO1,2*, R. A. E. OLIVEIRA3 e P. F. A. BRAGA1

1
Ciência e Tecnologia do Rio Grande de Norte
2
Instituto Federal do Rio de Janeiro – IFRJ
3
Universidade Federal do Rio de Janeiro -UFRJ
[email protected]*

Artigo submetido em janeiro/2015 e aceito em setembro/2016

DOI: 10.15628/holos.2016.2706

RESUMO
Esse trabalho tem como objetivo fazer previsão de LEA da UFC . Com essa pesquisa, ficou constatado que o
radiação solar para geração de energia elétrica no Estado método de projeção exponencial é a melhor escolha para
do Ceará, nordeste Brasileiro. Para isso, foi realizado se realizar uma previsão de série temporal a partir dos
comparação de métodos estatísticos de previsão (médias dados mencionados. Essa conclusão é baseada no fato de
móveis e projeção exponencial) para geração de séries que este método tanto para o período chuvoso, como
temporais, aplicados a radiação solar incidente, cujos para o período seco, fornece os menores valores de
dados reais foram medidos nas dependências do RMSE como, por exemplo, para o mês de outubro no
Departamento de Engenharia Elétrica (DEE) da horário de 17:00h temos 1,40 W/m2, e para o MAPE,
Universidade Federal do Ceará (UFC), campus Fortaleza, temos o valor de 4,48% também para o mês de outubro
de propriedade do Laboratorio de Energias Alternativas - as 13:00h.

PALAVRAS-CHAVE: energia solar, previsão, estado do Ceará.

FORECASTING SOLAR RADIATION INCIDENT IN CEARÁ STATE - BRAZIL

ABSTRACT
This study aims to forecast solar radiation to electricity found that the exponential projection method is the best
generation in the state of Ceara, northeastern Brazil. For choice to perform a time-series forecast from the data
this, we performed comparative statistical forecasting mentioned. This conclusion is based on the fact that this
methods (moving average and exponential projection) to method for both the rainy season, as the dry period,
generate time series, applied to incoming solar radiation, provides the smallest RMSE values as, for example, for
whose real data were measured in the Department of the month of October in 17 hours: 00 have 1.40 W/m²,
Electrical Engineering (DEE) of the Federal University of and the MAPE, we have the value of 4.48% also for the
Ceará (UFC), Fortaleza campus, owned by the Laboratory month of October the 13: 00h.
of Alternative Energy - LEA UFC. With this research, it was

KEYWORDS: solar radiation, forecasting, Ceará state.

HOLOS, Ano 32, Vol. 7 218

 COUTO, OLIVEIRA & BRAGA

1 INTRODUÇÃO

O tema “Energias Renováveis” encontra-se em bastante evidência em tempos atuais. Isso

pode ser justificado pelo consenso mundial da comunidade acadêmica no sentido de alertar, cada
vez mais, para os perigos que podemos enfrentar com o aumento acelerado do efeito estufa,
oriundo de processos de combustão, devido à utilização de fontes energéticas extremamente
poluentes, como é o caso do petróleo e também com o funcionamento de termelétricas que no
seu processo de conversão de energia elétrica, utiliza a queima do carvão mineral. Para que seja
possível pensar em um desenvolvimeto sustentável, investimentos em geração de energias
renováveis devem ser feitos cada vez mais, como por exemplo, em energia solar e eólica.
O nordeste brasileiro é bastante abundante em energia solar, isso é o que afirma o Atlas
Solarimétrico Brasileiro (TIBA, C. et al, 2000). Por exemplo, a radiação solar global diária, média
anual no Ceará chega a um valor de 20 MJ/m 2.dia como ilustrado na Fig. (1), que por sua vez,
quando comparado com outras regiões pelo mundo a fora, por exemplo, Dongola – Sudão (região
extremamente seca, quase o ano todo), é possível encontrarmos valores da ordem de 23,8
MJ/m2.dia.

Figura 1: Atlas Solarimétrico Brasileiro. (TIBA, C. et al, 2000).

O Estado do Ceará, mais recentemente teve a instalação da primeira usina de painéis

fotovoltaicos em escala comercial no Brasil. Esta usina foi instalada na cidade de Tauá distante de
aproximadamente 344 km da capital do Estado do Ceará. A capacidade inicial de gerar energia
elétrica fica em torno de 1 MW (mega-watt), suficiente para abastecer 1,5 mil famílias. Existe uma
grande expectativa de que essa usina possa em pouco tempo ser expandida sua capacidade de
geração de energia elétrica da ordem de 50 MW.

HOLOS, Ano 32, Vol. 7 219

 COUTO, OLIVEIRA & BRAGA

O resultado dos Atlas mostrado podem ser entendidos como ilustrações que padronizam
as regiões de estudo, ou seja, os Estados que compõem o território Brasileiro. Mas além dessa
padronização poderá ser necessário conhecer o Potencial Solar de uma localidade especifica e
também tentar garantir que seus valores encontrados sofram poucas variações futuramente.
Com esse intuito uma forma de tentarmos garantir valores de radiação solar para geração
de energia elétrica, com a finalidade de utilização em escala comercial poderá aparecer com
pesquisas em previsibilidade de radiação solar, ou seja, buscar métodos que possam prever
valores. O fato de fornecermos garantias sobre o quanto de energia elétrica poderá ser gerada a
partir da radiação solar, principalmente em curto prazo, certamente trará mais segurança a muitos
investidores.
O presente trabalho tem como objetivo utilizar técnicas estatísticas (médias móveis e
projeção exponencial). Essas técnicas serão usadas para previsão de radiação solar incidente, com
base em dados medidos na Universidade Federal do Ceará (UFC), campus Fortaleza, cedidos pelo
Laboratório de Energias Alternativas (LEA). Esse estudo poderá auxiliar na tentativa de descobrir
métodos satisfatórios que busquem responder, o quanto de energia elétrica, poderá ser gerada a
partir da previsão de valores da radiação solar encontrada.

2 MATERIAL E MÉTODOS

Os dados de radiação solar incidente, coletados para a realização do presente estudo foram
medidos com um piranômetro (instrumento para medir a irradiação solar sobre uma superfície
plana. Em outras palavras, é um sensor desenhado para medir a densidade do fluxo de radiação
solar W/m2 num campo de 180 graus), nas dependências do Departamento de Engenharia Elétrica
(DEE), da Universidade Federal do Ceará (UFC), campus Fortaleza, de propriedade do Laboratorio
de Energias Alternativas - LEA da UFC. Esses dados são constituídos de médias registradas a cada
dez minutos.
O presente trabalho tem como objetivo utilizar técnicas estatísticas (médias móveis e
projeção exponencial). Essas técnicas serão usadas para previsão de radiação solar incidente, com
base em dados medidos na Universidade Federal do Ceará (UFC), campus Fortaleza, no nordeste
brasileiro. Esse estudo poderá auxiliar na tentativa de descobrir métodos satisfatórios que
busquem responder, o quanto de energia elétrica, poderá ser gerada a partir da previsão de valores
da radiação solar encontrada.
Os meses trabalhos nesse estudo foram março, abril, maio, outubro, novembro e
dezembro, todos relativos ao ano de 2004. Vale ressaltar que de acordo com a Fundação Cearense
de Meteorologia e Recursos Hídricos (FUNCEME), que diariamente faz o monitoramento do tempo
em todo o estado, identificando desta forma a existência de praticamente duas estações sazonais
que influenciam diretamente no tempo, ou seja, a estação chuvosa e a seca. Os meses de fevereiro
a maio são considerados períodos da estação chuvosa, também chamados de quadra chuvosa. Já
os meses de setembro a dezembro são considerados períodos da estação seca.
Para a previsão de uma série temporal de radiação solar incidente em nossa região de
estudo, foram utilizados os seguintes métodos estatísticos: médias móveis e projeção exponencial.

HOLOS, Ano 32, Vol. 7 220

 COUTO, OLIVEIRA & BRAGA

3 FORMULAÇÃO MATEMÁTICA
O modelo matemático de Médias Móveis (comumente simbolizada por MA, sendo que
essa abreviatura é do inglês Moving Average), é constituído de médias aritméticas baseadas em
dados passados de uma determinada série temporal. Ou seja, utilizam como previsão para um
determinado período no futuro a média das observações passadas. As (MA) podem ser simples,
centradas ou ponderadas. Para nosso estudo, ou seja, previsão de radiação solar incidente será
utilizado o modelo de média móvel simples que conforme (GONÇALVES, F. 2007),
matematicamente é representado por
1
𝐹t+1 = 𝑛 ∑𝑛j=1 𝐴𝑡−j+1 , (1)

onde:
n (é o número total de observações), Aj (valor observado no período j) e Fj (valor projetado
para o período j).
Na eq. (1), n (também pode ser chamado de janela de observações) pode ser considerado
como um parâmetro a ser ajustado. Segundo Gonçalves F. (2007), se a série temporal em estudo
apresentar muita aleatoriedade em seus padrões um número maior de observações podem ser
utilizadas no cálculo da média móvel, ou seja, podemos dizer que a média móvel neste caso fica
mais imune a ruídos e movimentos curtos. Já para o caso de séries que apresentam poucas
flutuações aleatórias nos dados ou mudança significativa, um número menor deve ser usado para
o tamanho da janela de observações, pois caso contrário a série prevista poderá reagir de maneira
muito lenta a estas mudanças significativas.
A Projeção Exponencial Simples (PES) também é chamada de Suavização Exponencial (SE),
está técnica tenta prever valores futuros de uma série temporal baseado em uma série temporal
passada. De acordo com (HYNDMAN, R. J., KOEHLER, A. B., ORD, j, k., SNYDER, R. D. 2008) sua
representação matemática é dada na eq. (2), abaixo:
𝑦¯𝑇 = 𝑦¯𝑇−1 +α(𝑦𝑇 − 𝑦¯𝑇−1 ), (2)

onde: yT = representa a previsão para o tempo seguinte, yT = representa o dado atual

da série temporal real, yT-1 = representa a previsão do tempo anterior e α = é chamado de
constante de suavização, que por sua vez, varia entre 0 ≤ α ≤ 1.
Para a utilização da eq. (2) é preciso que no início do processo de previsão seja escolhido
um valor inicial para yT (geralmente utiliza-se o primeiro valor da série temporal real) e também
um valor para a constante de suavização α. É importante dizer que valores de α pequenos
produzem previsões que dependem mais das observações passadas, pois o peso das mesmas será
então menor. Enquanto que valores de α próximos de 1 dependem das observações mais recentes,
que são observações que recebem o maior peso. A dificuldade de utilizarmos a eq. (2) para fazer
previsão de séries temporais reside na escolha de α. Nesse trabalho a escolha deste parâmetro
será feita baseada em estatística de erros (que será visto em seção posterior), quando falarmos
em erro quadrático médio (comumente simbolizada por RMSE, sendo que essa abreviatura é do
inglês Root Mean Squared Error), ou seja, procuramos um valor de α que nos ofereça o menor

HOLOS, Ano 32, Vol. 7 221

 COUTO, OLIVEIRA & BRAGA

(RMSE) possível quando comparado a série temporal real com série temporal prevista na utilização
da (PES).
Para que seja feita uma comparação entre as séries temporais reais e prevista, com a
finalidade de identificarmos o grau de proximidade entre valores de ambas, será realizada uma
análise estatística de erros. Através desta análise é possível observarmos se existe semelhança ou
não, entre dados reais e previstos.
O Erro Sistemático (ou do inglês, bias, comumente simbolizado por BE), mede a tendência
do modelo em superestimar ou subestimar uma variável, e é definido matematicamente por,
1
BE= 𝑛 ∑𝑛i=1(𝑦¯𝑖 − 𝑦𝑖 ), (3)

onde: yi (representa valor individual da série temporal real), e y i (representa valor individual
da série temporal prevista).
Um valor positivo de BE indica uma predisposição do modelo em superestimar uma variável
particular. Já um valor negativo, uma subestimação do modelo na avaliação de uma variável.
Maiores detalhes sobre o erro de bias em (PEDRO, H.T.C., 2012; CAMELO, H.N., 2007).
O Erro Quadrático Médio (simbolizado por RMSE, sendo que essa abreviatura é do inglês
Root Mean Squared Error) representa as diferenças individuais quadráticas entre as séries
temporais reais e previstas, que pode ser definido matematicamente por,
1
RMSE=√𝑛 ∑𝑛i=1(𝑦𝑖 − 𝑦
^𝑖 )2 , (4)

Vale ressaltar que as variáveis BE e RMSE ambas representadas nas eqs. (3) e (4), possuem
unidade de medida de acordo com a série temporal em estudo, ou seja, no nosso caso temos que
sua unidade é dada em (Watt por metro quadrado, simbolizado por W/m2). É importante ressaltar
que o RMSE pode ainda ser interpretado da seguinte maneira: Se caso temos grandes valores desta
variável, os mesmos representam grandes erros nas variáveis previstas, e valores próximos de zero
indicam uma previsão quase perfeita. Maiores detalhes sobre o Erro Quadrático Médio podem ser
obtidos em (PEDRO, H. T.C., 2012; CAMELO, H.N., 2007).
Outra forma de medida de erro é a Média do Erro Absoluto Percentual (simbolizado por
MAPE, do iglês Mean Absolute Percentage Error). A grande vantagem de utilizarmos essa expressão
está na sua representação em termos percentuais (%) que fornece um rápido entendimento. Já
uma desvantagem que deve ser considerada está no sentido de que se por acaso, o valor real for
muito pequeno, qualquer discrepância faz o MAPE “explodir”. A expressão utilizada com essa
variável é representada por,

1 (𝑦𝑖 −𝑦^𝑖 )
MAPE= 𝑛 ∑𝑛i=1 | | × 100. (5)
𝑦𝑖

Maiores detalhes sobre estatística de erros, em especial as eqs. (3), (4) e (5), que serão
usadas nesse trabalho pode ser obtido em (MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M.
2008).

HOLOS, Ano 32, Vol. 7 222

 COUTO, OLIVEIRA & BRAGA

4 RESULTADOS
Na Tab. 1, é possível identificar valores correspondentes ao cálculo de estatística de erros
para os meses de março, abril e maio. No tocante ao RMSE, ficou constatado que a previsão
realizada pela Projeção Exponencial Simples (PES) oferece a melhor escolha em relação aos
métodos de Médias Móveis (MA). Essa observação é baseada em um menor RMSE destacado na
cor vermelha. Totalizando os três meses o RMSE varia de 0,72 a 271,58 W/m2.
Tabela 1: Estatística de erros para os meses de março, abril e maio.

Março RMSE (W/m2) BE (W/m2) MAPE (%)

Hora MA PES MA PES MA PES
05:00 3,24 2,55 0,03 0,03 284,27 221,04
06:00 22,48 18,64 -1,11 -3,13 159,78 146,87
07:00 103,39 87,61 -5,41 -18,60 110,93 102,54
08:00 201,93 163,51 -2,79 -27,17 114,58 101,22
09:00 225,51 182,69 -9,92 -32,91 133,19 130,86
10:00 310,69 247,81 -4,95 -15,38 93,19 82,59
11:00 332,47 264,90 -14,90 -52,58 62,50 51,45
12:00 319,04 271,58 -16,80 -34,31 78,47 74,58
13:00 272,28 250,98 -6,95 -5,27 75,58 76,63
14:00 207,22 186,18 -5,88 -14,94 50,84 52,56
15:00 148,46 136,12 -4,13 0,45 46,04 48,50
16:00 88,64 80,47 -0,42 0,91 51,37 52,66
17:00 8,98 7,25 -0,16 -0,13 40,90 32,16
Abril MA PES MA PES MA PES
05:00 0,76 0,72 0,03 -0,08 24,04 23,51
06:00 27,18 23,75 -0,36 -1,59 46,82 41,40
07:00 109,22 99,25 3,40 5,73 58,16 60,14
08:00 180,18 154,86 -2,79 -27,17 74,47 68,02
09:00 196,13 188,26 -9,92 -32,91 45,36 45,42
10:00 231,65 207,52 -4,95 -15,38 41,02 44,24
11:00 293,60 240,67 -14,90 -52,58 46,57 40,75
12:00 236,36 328,18 -16,80 -34,31 33,69 38,16
13:00 230,79 196,08 -6,95 -5,27 71,93 69,49
14:00 205,61 179,29 -5,88 -14,94 60,43 63,89
15:00 130,08 114,37 -4,13 0,45 45,57 44,41
16:00 75,36 61,78 -0,42 0,91 56,24 49,31
17:00 5,74 5,50 -0,16 -0,13 33,81 34,35
Maio MA PES MA PES MA PES
05:00 1,32 1,23 -0,05 -0,03 32,87 30,72
06:00 33,52 28,13 -2,19 4,20 40,08 38,38

HOLOS, Ano 32, Vol. 7 223

 COUTO, OLIVEIRA & BRAGA

07:00 94,76 84,82 -3,27 14,64 34,12 33,40

08:00 103,37 83,45 -9,14 -19,28 18,29 15,11
09:00 172,42 143,78 -18,11 -22,88 26,22 23,11
10:00 235,88 203,60 9,48 42,91 35,30 35,52
11:00 233,73 218,95 12,92 19,83 34,40 32,76
12:00 218,51 196,93 18,84 40,10 29,91 30,02
13:00 167,04 159,34 7,24 8,23 24,15 23,72
14:00 142,86 134,99 6,15 6,66 23,39 23,70
15:00 121,98 119,64 9,05 2,29 19,81 26,49
16:00 63,73 53,62 4,08 12,11 40,91 39,88
17:00 3,67 2,80 0,37 0,04 84,85 62,57

No tocante a variável MAPE, também é possível identificar que os menores valores são
observados na previsão com a PES na maioria dos meses. Mas é importante ressaltar que como a
MAPE mede o erro percentual na comparação entre duas séries temporais (no nosso caso, real e
prevista), foi identificado valores absurdos, como por exemplo, 221,04 % (maior valor da
comparação, relativo às 05:00 h do mês de março de 2004). No entanto, é possível identificar
valores menores, como por exemplo, 15,11 % (menor valor da comparação, relativo às 08:00 h do
mês de maio de 2004). Uma tentativa de justificar grandes valores de RMSE e MAPE pode ser dada
em função de estarmos falando em meses relativo à quadra chuvosa no Estado do Ceará já
comentado na introdução, e, portanto, temos grandes variações de medição da radiação solar
incidente, mas futuramente essa afirmação poderá ser investigada.
Ainda na Tab. 1, analisando a variável BE (onde como foi mencionado, seu valor positivo
indica uma predisposição do modelo em superestimar uma variável particular. Já um valor
negativo, uma subestimação do modelo na avaliação de uma variável), nesse contexto, a previsão
com PE subestima os dados reais em uma variação entre – 52,58 e – 0,03 W/m2. Agora em termos
de superestimação a previsão com PE varia entre 0,03 e 42,91 W/m2.
Na Tab. 2, temos os resultados para a estatística de erros para os meses considerados do
período seco no Estado do Ceará, ou seja, outubro, novembro e dezembro. Da mesma forma do
período chuvoso (março, abril e maio), é possível afirmar que o RMSE em mais de 90% possui os
menores valores para a previsão realizada com a variável PES. Esse resultado também pode ser
afirmado para a variável MAPE. O RMSE varia entre 1,40 e 148,00 W/m2. Já para o MAPE a variação
encontra-se entre 4,48 (menor valor da comparação, relativo às 13:00 h do mês de outubro de
2004) e 26,47 % (maior valor da comparação, relativo às 08:00 h do mês de dezembro de 2004).
Esses resultados quando comparado com os obtidos pela Tab. 1, é possível concluir que no período
seco utilizado o valor máximo de erro das variáveis RMSE e MAPE, são menores do que os
observados no período chuvoso utilizado.

HOLOS, Ano 32, Vol. 7 224

COUTO, OLIVEIRA & BRAGA

Tabela 2: Estatística de erros para os meses de outubro, novembro e dezembro.

Outubro RMSE (W/m2) BE (W/m2) MAPE (%)

Hora MA PES MA PES MA PES
05:00 3,19 2,99 -0,31 -0,83 21,97 16,67
06:00 19,46 17,32 -1,87 -4,70 23,39 20,32
07:00 72,75 61,08 2,68 6,40 26,01 22,06
08:00 81,29 74,03 0,02 -0,30 13,23 11,47
09:00 133,41 111,66 -9,61 17,70 17,44 15,23
10:00 105,58 90,06 4,53 2,73 10,21 9,23
11:00 87,28 77,44 2,20 15,01 7,98 6,69
12:00 87,29 81,92 0,77 7,24 8,19 7,34
13:00 51,17 48,98 0,95 0,90 4,95 4,48
14:00 57,23 50,37 0,85 8,21 5,97 4,65
15:00 35,22 33,42 1,46 4,49 5,99 5,81
16:00 17,32 16,41 6,38 5,57 13,71 12,48
17:00 1,52 1,40 0,22 0,41 16,15 15,84
Novembro MA PES MA PES MA PES
05:00 2,86 2,39 0,06 -0,29 16,42 13,63
06:00 15,92 15,01 -0,73 -0,66 18,69 17,46
07:00 54,97 47,05 2,32 8,35 20,70 17,90
08:00 124,68 114,54 4,42 19,36 22,79 21,73
09:00 135,48 124,34 17,82 38,32 19,47 18,52
10:00 113,40 98,50 8,31 14,71 12,56 11,10
11:00 80,63 71,37 3,72 13,28 7,53 6,32
12:00 62,86 58,94 4,49 10,57 5,40 5,21
13:00 76,97 66,59 5,53 14,51 8,06 6,34
14:00 54,50 47,65 0,13 4,22 6,16 5,89
15:00 51,89 44,90 3,07 10,79 9,32 7,51
16:00 8,37 8,12 -0,61 -0,73 6,72 6,07
17:00 2,16 1,92 -0,07 -0,20 22,57 18,30
Dezembro MA PES MA PE MA PES
05:00 3,11 2,79 0,38 0,73 37,48 40,17
06:00 16,28 15,18 1,16 2,11 24,90 23,47
07:00 46,58 41,59 2,16 11,41 21,21 20,80
08:00 129,18 114,37 -4,73 15,55 29,63 26,57
09:00 158,01 143,81 5,34 30,25 28,29 27,75
10:00 181,86 148,00 -0,79 -26,04 27,55 23,00
11:00 113,47 94,28 3,19 22,73 12,39 10,54
12:00 146,14 115,87 1,65 26,45 16,00 12,72

HOLOS, Ano 32, Vol. 7 225

 COUTO, OLIVEIRA & BRAGA

13:00 117,35 103,65 -2,97 16,74 12,99 11,92

14:00 119,84 100,03 -1,19 19,57 17,86 14,64
15:00 79,92 69,75 -3,80 -2,45 17,81 17,67
16:00 27,04 22,85 -3,30 -6,52 15,52 14,96
17:00 3,07 2,92 -0,33 -0,74 15,46 13,45

Ainda na Tab. 2, analisando a variável BE, a previsão com PE subestima os dados reais em
uma variação entre – 26,04 e – 0,20 W/m2. Agora em termos de superestimação a previsão com
PE varia entre 0,41 e 38,32 W/m2. Esses resultados quando comparados com os da Tab. 2, revelam
que no período seco utilizando a previsão com PE, tanto subestima como superestima os dados
reais com menores valores em relação ao período chuvoso utilizado.
Uma vez que a previsão com o método de Projeção Exponencial tenha apresentado em sua
maioria menores valores de erros do tipo RMSE e MAPE, quando comparado com o método de
previsão de Médias Móveis, a partir dessa informação os próximos resultados serão mostrados
com foco na Projeção Exponencial.
Na Fig. (2), temos a apresentação gráfica da média horária da Radiação Solar Incidente para
o dia 30/10/2004. Em linha continua (na cor preta) é possível observar o perfil dos dados reais
durante o dia e constatar que a média mais intensa foi as 11:00h com aproximadamente 950 W/m 2.
Nesse mesmo horário a previsão em linha continua (na cor cinza claro) ficou com o valor de
aproximadamente 900 W/m2. Nesse caso específico foi identificado uma subestimação do modelo
de previsão de aproximadamente 50 W/m2. É possível também observar que que boa parte dos
dados previstos pela projeção exponencial conseguem acompanhar os dados reais, principalmente
entre os intervalos de 05:00h a 08:00h e 13:00h a 17:00h.

Figura 2. Comparação da Radiação Solar Incidente entre real e previsão para o dia 30/10/2004.

Na Fig. (3), temos a apresentação gráfica da média horária da Radiação Solar Incidente para
o dia 30/11/2004. Analisando o valor máximo da média da radiação solar incidente, é possível
identificar que o horário de maior intensidade é também as 11:00h. O valor real é de
aproximadamente 1000 W/m2. Agora para o modelo de previsão com projeção exponencial seu
valor é de aproximadamente 900 W/m2. Nesse caso, o modelo também subestimou o dado real.

HOLOS, Ano 32, Vol. 7 226

 COUTO, OLIVEIRA & BRAGA

Entre os horários de 14:00h e 17:00h, a projeção exponencial se assemelham bastante com a série
real. Exemplo disso, podemos destacar especificamente o horário de 16:00h em que as duas séries
possuem valor de aproximadamente 100 W/m2.

Figura 3. Comparação da Radiação Solar Incidente entre real e previsto para o dia 30/11/2004.

Na Fig. (4), temos a representação gráfica da média horária da Radiação Solar Incidente
para o dia 31/12/2004. A média de maior intensidade da Radiação Solar Incidente para a série
temporal real, possui valor de aproximadamente 850 W/m2 no horário de 12:00h. Já a previsão
para o mesmo horário possui valor de aproximadamente 750 W/m2.

Figura 4. Comparação da Radiação Solar Incidente entre real e previsto para o dia 31/12/2004.

Na Fig. (5), temos a apresentação gráfica da média horária da Radiação Solar Incidente para
o dia 31/03/2004. No horário de 11:00h, a média da Radiação Solar Incidente possui valor de pico
de aproximadamente 980 W/m2. A previsão para esse mesmo horário foi subestimada no valor de
aproximadamente 740 W/m2. De forma semelhante aos resultados das figuras anteriores, pode
ser observado que nos horários de final do dia, ou seja, entre 15:00h e 17:00h as duas séries
temporais são bastante similares.

HOLOS, Ano 32, Vol. 7 227

 COUTO, OLIVEIRA & BRAGA

Figura 5. Comparação da Radiação Solar Incidente entre real e previsto para o dia 31/03/2004.

Na Fig. (6), temos a apresentação gráfica da média horária da Radiação Solar Incidente para
o dia 31/04/2004. No horário de 10:00h, a média da Radiação Solar Incidente possui valor de pico
de aproximadamente 900 W/m2. A previsão para esse mesmo horário foi subestimada no valor de
aproximadamente 600 W/m2. Entre os horários de 05:00h e 08:00h, as duas séries se assemelham.
Exemplo disso, podemos destacar especificamente o horário de 08:00h em que as duas séries
possuem valor de aproximadamente 400 W/m2.

Figura 6. Comparação da Radiação Solar Incidente entre real e previsto para o dia 31/04/2004.

Na Fig. (7), temos a apresentação gráfica da média horária da Radiação Solar Incidente para
o dia 31/05/2004. Entre os horários de 05:00h a 09:00h, é possível identificar semelhanças entre a
série prevista e a série real, como por exemplo, as 08:00h ambas possuem valor próximo de 600
W/m². Ma vale ressaltar que a série prevista como um todo não acompanhou a real principalmente
entre os horários de 11:00h até as 16:00h.

HOLOS, Ano 32, Vol. 7 228

 COUTO, OLIVEIRA & BRAGA

Figura 7. Comparação da Radiação Solar Incidente entre real e previsto para o dia 31/05/2004.

Fazendo uma comparação entre os períodos estudados, ou seja, chuvoso e seco, pode se
afirmar que a previsão via método de projeção exponencial viabiliza melhores resultados no
período seco. Isto é baseado no fato de que esse método consegue acompanhar melhor ao longo
do dia os dados reais, como representado nas Figs. (2), (3) e (4). Nessas figuras, sobretudo nos
horários entre 13:00h e 17:00h o que se pode identificar é uma melhor comparação entre previsão
e real em relação aos demais horários.

5 CONCLUSÕES E PERSPECTIVAS FUTURAS

Os mapas de potencial solar confeccionados até o presente momento no Brasil
demonstram que as regiões do Nordeste, em especial no Estado do Ceará, possuem grande
potencial a ser explorado. A partir dessa afirmativa, faz-se necessário avançar em pesquisas em
geração solar aplicado a geração de energia elétrica. Dessa forma, é possível pensar que a
diversificação de formas de energia em nossa matriz energética nos garantirá uma maior
tranqüilidade, sobretudo em relação ao uso de eletricidade. Além disso, é sabido que a utilização
de fontes renováveis é o principal meio difundido pela comunidade cientifica no sentido de
amenizar impactos de poluentes atmosféricos e, portanto, uma maneira de alcançarmos o
desenvolvimento sustentável.
O Estado do Ceará tem se notabilizado como a região do país que mais tem crescido nos
últimos anos em exploração de seu regime de ventos para geração de energia elétrica. O Ceará é
considerado o pioneiro em instalação de parques eólicos em dunas, e atualmente possui
aproximadamente 1,2 GW de capacidade de potência eólica instalada, segundo a Associação
Brasileira de Energia Eólica – ABEEólica em 2014. Em termos de geração solar, o Ceará também é
considerado pioneiro, só que agora em relação a ser a primeira usina solar de forma comercial
instalada no Brasil e em plena operação. Trata-se da usina solar da cidade deTauá, com geração de
energia elétrica através de painéis fotovoltaicos da ordem de 1 MW, capaz de atender a 1,5 mil
famílias. Evidentemente que esse valor de geração solar ainda é muito pequeno em relação à
geração eólica.
Através da utilização dos métodos estatísticos de previsão (médias móveis e projeção
exponencial) para geração de séries temporais, aplicados a radiação solar incidente, cujos dados
reais foram medidos nas dependências do Departamento de Engenharia Elétrica (DEE) da

HOLOS, Ano 32, Vol. 7 229

 COUTO, OLIVEIRA & BRAGA

Universidade Federal do Ceará (UFC), campus Fortaleza, ficou constatado que o método de
projeção exponencial é a melhor escolha para a previsão de série temporais. Essa conclusão é
baseada no fato de que este método tanto para o período chuvoso, como para o período seco,
fornece os menores valores de RMSE como por exemplo, para o mês de outubro no horário de
17:00h temos 1,40 W/m2, e para o MAPE, temos o valor de 4,48% também para o mês de outubro
as 13:00h.
Posteriormente outros métodos de previsão de séries temporais poderão ser testados, com
o objetivo de minimizar cada vez mais, erros na comparação com séries observadas de radiação
solar incidente para nossa região de estudo. Métodos estatísticos como o modelo ARIMA, métodos
de simulação computacional, através do uso de modelos atmosféricos regionais de mesoescala
como, por exemplo, o WRF, e também a utilização de outros métodos computacionais como é o
caso das redes neurais artificiais. Esse trabalho tem como objetivo incentivar o uso da fonte solar
para geração de energia elétrica no Estado do Ceará, nordeste Brasileiro.

6 REFERÊNCIAS BIBLIOGRÁFICAS

1. ABEEólica - Associação Brasileira de Energia Eólica. Disponível em <http://www.portalabeeoli

ca.org.br/>. Acesso em: 22 de jan. de 2015.
2. CAMELO, H. N. Estudo Numerico do Vento Aracati para Caracterização de seu Potencial Eólico.
2006. 95 f. Dissertação (Mestrado em Ciências Físicas Aplicadas) - Universidade Estadual do
Ceará, Fortaleza 2007.
3. GONÇALVES, F. Excel avançado 2003/2007 – Analise de Previsão de Demanda. 1 ed. Rio de
Janeiro: Editora Ciência Moderna, 2007.
4. HYNDMAN, R.J., KOEHLER, A.B., ORD, J.K., SNYDER, R.D. Forecasting with Exponential
Smoothing - The State Space Approach. 1 ed. New Jersey: Editora Springer, 2008.
5. MONTGOMERY, D. C., C. L. JENNINGS, and M. KULAHCI, Introduction to Time Series Analysis
and Forecasting. 6 ed. New York: Wiley-Interscience, 2008.
6. PEDRO, H.T.C., C.F.M. Assessment of forecasting techniques for solar power production with
no exogenous inputs. Solar Energy, v. 86, p. 2017–2028, mai. 2012.
7. TIBA, C. et al. Atlas Solarimétrico do Brasil: banco de dados terrestres. Recife: Editora
Universitária da Universidadade Federal de Pernambuco - UFPE, 2000.

HOLOS, Ano 32, Vol. 7 230