تأثیر پارامترهای اقلیمی در مدل‌سازی تابش خورشیدی با استفاده از مدل‌های هوش مصنوعی (مطالعه موردی: ایستگاه سینوپتیک یزد)

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسنده

دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، یزد، ایران

چکیده

تابش خورشیدی یکی از پارامترهای مهم اقلیمی است که بر بسیاری از فرایندهای آب و خاک مانند تبخیر، ذوب برف و رشد گیاهان اثر می­گذارد. ازاین‌رو، برآورد میزان صحیح تابش خورشیدی در توسعه پژوهش­های کاربردی ضروری به‌نظر‌می‌رسد. در این مقاله سعی شده است کارایی دو روش شبکه عصبی مصنوعی و مدل­های استنتاج فازی در پیش­بینی میزان تابش خورشیدی برای 12 ماه آینده در ایستگاه یزد بررسی شود. به‌این‌منظور، با استفاده از تحلیل حساسیت پارامترهای اقلیمی مختلف، دمای بیشینه روزانه، دمای میانگین روزانه، بیشینه ساعات آفتابی، میانگین رطوبت نسبی هوا و تبخیر به‌عنوان عوامل مؤثر در پیش‌بینی تابش خورشیدی شناسایی و با ایجاد ترکیبات مختلف داده­ها، دو مدل ارزیابی شدند. درنهایت، بعد از اطمینان از کارایی دو مدل در مرحله آزمایش و حصول بهترین نتایج که بیشترین ضریب همبستگی و کمترین خطا را در فرایند پیش­بینی تابش خورشیدی به دنبال داشت، تنها با وارد کردن پارامترهای اقلیمی مؤثر سال 2005 به‌عنوان ورودی، مقدار تابش خورشیدی سال 2006 به‌عنوان خروجی، پیش­بینی و نتایج پیش­بینی شده با داده­های واقعی مقایسه شد. نتایج پیش­بینی­ها، کارایی زیاد شبکه­های عصبی و فازی- عصبی را هم در مرحله آزمایش مدل و هم در فرایند پیش­بینی نشان می­داد. در مجموع، شبکه­های عصبی مصنوعی با ضریب همبستگی 91/0 و میزان RMSE و MAE به‌ترتیب 11/0 و 08/0، در پیش‌بینی­ها خطای کمتری را در مقایسه با شبکه­های فازی- عصبی داشتند. همچنین کمیت BIAS نیز 30/0- محاسبه شد که مقدار منفی، فروتخمینی جزئی را در داده­ها نشان می‌دهد. در این پژوهش، ساعات آفتابی و دمای متوسط مؤثرترین پارامترها در پیش­بینی تابش خورشیدی شناخته شدند درحالی­که رطوبت نسبی، کمترین نقش را در این فرایند ایفا کرد.

کلیدواژه‌ها


عنوان مقاله [English]

The effect of climatic parameters in the modeling of solar radiation using artificial intelligence (Case study: Yazd synoptic station)

نویسنده [English]

  • hamide afkhami
Faculty of Natural Resources, Yazd University, Yazd, Iran
چکیده [English]

Solar radiation is one of the important parameters that affects on many soil and water processes such as evaporation, snow melting and plant growth. Considering the importance of the amount of radiation in the the application of solar energy and the many problems in recording this parameter and the success of intelligent models in predicting complex parameters, it is reasonable to use ANFIS and ANN models to predict the radiation parameter.
In this study, using a large database on a wide period which contained a set of meteorological and geographical data such as latitude, longitude, months of the year, the average temperature, the sunshine duration, relative humidity and the average of the monthly global solar irradiation, the performance of two techniques, artificial neural network and Active Neuro-Fuzzy Inference System, was investigated for the next 12 months in the Yazd station. Sensitivity analysis of different climate parameters such as maximum temperature, average temperature, sunshine hours, relative humidity, solar radiation and evaporation, showed that they were important factors in predicting of solar radiation. Then, the two models were analyzed with different combinations of data. After ensuring the performance of the two models in the testing phase and achieving the best results with the highest efficiency and lowest error rate in the prediction of solar radiation, only by entering the most effective climatic parameters of 2005, the solar radiation value of 2006 was forecasted, and the predicted values were compared with actual values. The results of this study showed that both methods have the ability to simulate the amount of solar radiation. High values ​of the correlation coefficient and low error, confirm the reliability of the results. According to the results, although the highest correlation coefficient was obtained using artificial neural network, the results of both models were satisfactory in two stages of testing and evaluation and are estimated to be close to each other. In total, artificial neural networks with a correlation coefficient of 0.91 and RMSE and MAE rates of 0.19 and 0.08, respectively, produced less error in predictions in comparison with fuzzy-neural networks. Also, the BIAS value is -0.30, which shows a small negative overstimation in the data. Finally, the composition of sunny hours, average temperature, maximum temperature as the optimal combination was identified. In addition, it was determined that sunny hours and average temperatures are the most effective parameters in prediction of solar radiation, while relative humidity has the least effect on it.

کلیدواژه‌ها [English]

  • Modeling
  • Solar Radiation
  • Artificial Neural Networks
  • Active Neuro-Fuzzy Inference
  • Yazd Station

آقا ابراهیمی، م. ر.، باقرزاده قنبرآبادی، ح.، 1390، پیش‌بینی تابش سالانه خورشید توسط شبکه عصبی مصنوعی و به‌کارگیری آن در استفاده نرم‌افزاری جهت تغذیه بار محلی و استفاده در منابع تولید پراکنده: دومین کنفرانس انرژی­های تجدید‌پذیر و تولید پراکنده ایران، دانشگاه تهران.

سبزی پرور، ع. ا.، بیات ورکشی، م.،1389، ارزیابی دقت روش‌های شبکه عصبی مصنوعی و عصبی- فازی در شبیه‌سازی تابش کل خورشیدی: مجله پژوهش فیزیک ایران، ۱۰(۴)، 347-357.

سلطانی، س.، مرید، س.، 1384، مقایسه برآورد تابش خورشید با استفاده از روش هارگریوز- سامانی و شبکه­های عصبی: مجله دانش کشاورزی، 15(1)، 69.

شبانی، م.، کاظمی نسب، م. م.، 1391، پیش‌بینی میزان تابش خورشید به روش شبکه عصبی جهت مدل‌سازی یک سیستم هیدروژن خورشیدی برای تغذیه یک بار متغیر: یازدهمین کنفرانس بین‌المللی دانشجویی ایران، کاشان، سازمان علمی دانشجویی مهندسی برق کشور.

منهاج، م. ب.، 1384، مبانی شبکه‌های عصبی هوش محاسباتی، جلد 1، چاپ سوم، مرکز نشر دانشگاه صنعتی امیرکبیر.

Angstrom, A., 1924, Solar and terrestrial radiation. Report to the international commission for solar research on actinometric investigations of solar and atmospheric radiation: Quarterly Journal of the Royal Meteorological Society, 50(210), 121-126.

Azamathulla, H. Md., Chang, C. K., Ghani, A. Ab., Ariffin, J., Azazi Zakaria, N., and Abu Hasan, Z., 2009, An ANFIS-based approach for predicting the bed load for moderately sized rivers: Journal of Hydro-environment Research, 3(1), 35-44.

Bakirci, K., 2009, Correlations for estimation of daily global solar radiation with hours of bright sunshine in Turkey: Energy, 34(4), 485-501.

Caudill, M., 1987, Neural networks primer, Part I, AI Expert, 46–52.

Chang, J., and Chang, Y. T., 2006, Adaptive neuro fuzzy inference systems for prediction of water level in reservoir: Advanced in Water Resource Researches, 29(1), 1-10.

Conrads, P. A., and Roehle., E. A., 1999, Comparing physics-based and neural network model simulating salinity. Temperature and dissolved in a complex, tidally affected river basin: South Carolina Environmental Conference, Myrtle Beach, March 15-16.

Daneshyar, M., 1978, Solar radiation statistics for Iran: Sol. Energy,(United States), 21(4).

Fadare, D. A., 2009, Modelling of solar energy potential in Nigeria using an artificial neural network model: Applied Energy, 86(9), 1410–1422.

Ghazanfari, M., Alizadeh, S., and Pour babak, T., 2008, Data Mining and Discovering Knowledge: Press center of Ferdowsi University.

Hsu, K. L., Gupta, H. V., and Sorooshian, S., 1995, Artificial neural network modeling of the rainfall-runoff process: Advanced in Water Resource Researches, 31(10), 2517-2530.

Hussain, S., and AlAlili, A., 2017, A hybrid solar radiation modeling approach using wavelet multiresolution analysis and artificial neural networks: Applied Energy, 208, 540-550.

Ibeh, G. F., Agbo, G. A., Ekpe, J. E., and Isikwue, B. C., 2012, Estimation of global solar radiation at Calabar using two models: Journal of Natural Sciences Research, 2(5), 2224-3186.

Jang, R., 1993, ANFIS: Adaptive-Network-based Fuzzy Inference System: IEEE Transactions on Systems, Man and Cybernetics, 23(3), 665-685.

Jirka, G. H., Doneker, R. L., and Hinston, S. W., 1996, User’s Manual for Cormix: A Hydrodynamic Mixing Zone Model and Decision Support System for Pollutant Discharge into Surface Waters: Office of Science and Technology US-EPA, Washington, DC 20460.

Lucio, P. S., Conde, F. C., Cavalcanti, I. F. A., Serrano, A. I., Ramos, A. M., and Cardoso, A. O., 2007, Spatio temporal monthly rainfall reconstruction via artificial neural network (case study: South Brazil): Advances in Geosciences, 10, 67-76.Mellit, A., Benghanem, M., Hadj Arab, A., and Guessoum, A., 2005, A simplified model for generating sequences of global solar radiation data for isolated sites: Using artificial neural network and a library of Markov transition matrices approach: Solar Energy, 79(5), 469-482.Mensour, O. N., El Ghazzani, B., Hlimi, B., and Ihlal, A., 2017, Modeling of solar energy potential in Souss-Massa area-Morocco,

using intelligence Artificial Neural Networks (ANNs): Energy Procedia, 139, 778-784.

Mishra, A., Desaiand, V., and Singh, V., 2007, Drought forecasting using a hybrid stochastic and neursl network model: Journal of Hydrologic Engineering, 12(6), 626–638.

Moghaddamnia, A., Remesan, R., Hassanpour Kashani, M., Mohammadi, M., Han, D., and Piri, J., 2009, Comparison of LLR, MLP, Elman, NNARX and ANFIS Models—with a case study in solar radiation estimation: Journal of Atmospheric and Solar-Terrestrial Physics, 71(8-9), 975-982.

Mubiru, J., and Banda, E. J. K. B., 2008, Estimation of monthly average daily global solar irradiation using artificial neural networks: Solar Energy, 82(2), 181-187.

Paltridge, G. W., Proctor, D., 1976, Monthly mean solar radiation statistics for Australia: Solar Energy, 18(3), 235-43.

Ozgoren, M., Bilgili, M., and shahin, B., 2012, Estimation of global solar radiation using ANN over Turkey: Journal Expert Systems with Applications, An International Journal, 39(5), 5043-5051.

Remesan, R., Shamim, M. A., and Han, D., 2008, Model data selection using gamma test for daily solar radiation estimation: Hydrological Processes, 22(21), 4301-4309.

Sabziparvar, A. A., 2007, General formula for estimation of monthly mean global solar radiation in different climates on the south and north coasts of Iran: International Journal of Photoenergy, 9(1), 94786.

Sabziparvar, A., and Shetaee, H., 2007, Estimation of global solar radiation in arid and emi-arid climates of East and West Iran: Energy (The International Journal), 32(5), 649-655.

Sozan, A., Arcaklioglu, E., Ozalp, M., and Galip, K., 2005, Solar-energy potential in Turkey: Applied Energy, 80(4), 367–381.