ارزیابی عملکرد شبکۀ عصبی مصنوعی در پیش بینی تابش خورشیدی روزانۀ کشور ایران

Authors

مهران عامری

mehran ameri department of mechanical engineering and energy , shahid bahonar university, kerman, iranبخش مهندسی مکانیک ، دانشگاه شهید باهنر کرمان ـ ایران محمد هادی پور

mohamad hadipoor department of mechanical engineering, shahid bahonar university, kerman, iranبخش مهندسی مکانیک، دانشگاه شهید باهنر کرمان ـ ایران

abstract

درایران به طور متوسط، 5/5 کیلووات ساعت انرژی خورشیدی بر هر مترمربع از سطح زمین می تابد و 300 روز آفتابی در 90% خاک ایران موجود است. با توجه به این میزان تابش و لزوم آگاهی از پهنه بندی پتانسیل خورشیدی جهت بهره وری مناسب، نیاز به رسم نقشه های پتانسیل خورشیدی است. در این مطالعه، از داده های ماهیانه 10 ساله (1991-2000 میلادی)، موجود 39 ایستگاه سینوپتیک هواشناسی ایران به عنوان داده های ورودی به نرم افزار matlab و شبکۀ عصبی مصنوعی استفاده شد. از یک مدل چندلایه پیشخور در شبکۀ عصبی مصنوعی استفاده شده است. پس از اعمال داده های ورودی به شبکه با معماری مورد نظر در لایۀ خروجی، تشعشع خورشیدی پیش بینی شده است. تشعشع خورشیدی پیش بینی شده توسط شبکۀ عصبی مصنوعی همخوانی قابل توجهی با داده های هواشناسی داشته، به طوری که ضریب همبستگی نهایی به دست آمده از شبکۀ عصبی مصنوعی 96/0 است که حاکی از دقت بالای داده های به دست آمده از نرم افزار است. با انتخاب داده های پیش بینی شده از شبکۀ عصبی مصنوعی به عنوان ورودی برای نرم افزار arcgis نقشۀ پتانسیل خورشیدی سالیانه برای ایران به دست آمده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ارزیابی عملکرد شبکۀ عصبی مصنوعی در پیش‌بینی تابش خورشیدی روزانۀ کشور ایران

Iran has an average of 5.5 KWh per square meter solar radiation and 300 sunny days per year on 90% of the land. Regarding this amount of solar radiation and the necessity for solar potential zoning for better efficiencies, drawing solar potential maps is essential. In this study, the monthly data of 39 synoptic of Iran meteorological stations over years (1991-2000) has been used as the input da...

full text

ارزیابی دقت روش‌های شبکه عصبی مصنوعی و عصبی- فازی در شبیه‌سازی تابش کل خورشیدی

Solar radiation is an important climate parameter which can affect hydrological and meteorological processes. This parameter is a key element in development of solar energy application studies. The purpose of this study is the assessment of artificial intelligence techniques in prediction of solar radiation (Rs) using artificial neural network (ANN) and adaptive neuro-fuzzy inference system (AN...

full text

ارزیابی روش‌های فازی، عصبی و فازی- عصبی در تخمین تابش خورشیدی کشور

تابش خورشیدی در تعیین محل بهینه‌ی نیروگاه‌های خورشیدی و در مطالعات زمین‌شناسی و اکولوژیکی عاملی تأثیرگذار بوده و پارامتر اصلی بسیاری از مدل‌های هواشناسی و هیدرولوژیکی می‌باشد. در ایران 63 ایستگاه تابش‌سنجی موجود است که در قیاس با گستره‌ی کشور تراکم پایینی برای شبکه پایش تابش خورشیدی محسوب می‌شود. در تحقیق حاضر به منظور افزایش تراکم شبکه تابش‌سنجی و در نتیجه پهنه‌بندی دقیق تابش خورشیدی، از اطلاع...

full text

تعیین اثر پیش ‏پردازش داده بر عملکرد شبکۀ عصبی مصنوعی به‏منظور پیش‏ بینی بارش ماهانه در شهرستان آباده

توابع تبدیل صورت می‏گیرد. در پژوهش حاضر با استفاده از اطلاعات میانگین بارش ماهانه، کمترین و بیشترین دما و رطوبت ایستگاه سینوپتیک شهرستان آباده در بازۀ زمانی 1355 تا 1392 به‏صورت نرمال‏شده و خام به‏عنوان ورودی‏های شبکۀ پرسپترون چند‏لایه، بارش ماه آیندۀ شهرستان پیش‏بینی شد. برای نرمال‏سازی داده‏های هواشناسی، پس از بررسی وجود داشتن یا نداشتن داده‏های گم‏شده و پرت از سه روش نرمال‏سازی مینیمم‌ـ ماکز...

full text

ارزیابی دقت روش های شبکه عصبی مصنوعی و عصبی- فازی در شبیه سازی تابش کل خورشیدی

تابش خورشیدی از پارامترهای مهم اقلیمی است که با بسیاری از فرآیندهای هیدرولوژی و هواشناسی ارتباط مستقیم و تنگاتنگی دارد. این پارامتر از ارکان اساسی توسعه تحقیقات کاربردی انرژی خورشیدی به شمار می رود. مطالعه حاضر به منظور ارزیابی مدل های هوش مصنوعی در پیش بینی مقدار تابش کل خورشیدی رسیده به سطح افقی زمین، انجام گرفت. در این تحقیق شبکه عصبی مصنوعی (ann) و سیستم استنتاج تطبیقی عصبی- فازی (anfis) جه...

full text

ارزیابی مدل هیبرید شبکه عصبی مصنوعی-پانل دیتا در پیش بینی قیمت صادرات خشکبار ایران

در بسیاری از مطالعات برای پیش بینی متغیرهای اقتصادی اغلب از روش های کمی مبتنی بر داده های سری زمانی یا مقطع زمانی استفاده می شود. مطالعات سری زمانی و مقطع زمانی ناهمگنی کشورها را کنترل نمی کنند و همواره ریسک به دست آورن نتایج و پیش بینی های اریب دار وجود دارد. داده های پانل اطلاعات و درجه آزادی بیشتری را فراهم می آورد که این امر موجب حصول نتایج و پیش بینی های دقیق تری می شود. با توجه به سهم قاب...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی و مدیریت انرژی

جلد ۴، شماره ۳، صفحات ۳۸-۴۷

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023