ارزیابی توانایی مدل های هوشمند در برآورد تابش کل خورشیدی ماهانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه ارومیه گروه مهندسی آب

2 دانشیار دانشگاه ارومیه

3 دانشگاه تبریز

4 دانشگاه ارومیه

چکیده

در این پژوهش، مطالعه‌ای مقایسه‌ای بین مدل‌های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی‌- عصبی تطبیقی (ANFIS) و برنامه‌ریزی بیان ژن (GEP) برای برآورد تابش خورشیدی ماهانه صورت گرفت. بدین منظور، از داده-های ایستگاه همدیدی تبریز استفاده شد. برای اجرای مدل‌های هوش مصنوعی، ترکیب جدیدی از ورودی‌ها به کار گرفته شد. از آنجا ‌که کمترین مقادیر آماره‌های MBE و RMSE (به ترتیب برابر با 13/0 و 97/1 مگاژول بر متر مربع) و بیشترین مقدار R2 (92/0)، با استفاده از نتایج مدل شبکه عصبی مصنوعی به‌دست آمد، لذا ANN به‌عنوان بهترین مدل برای برآورد تابش کل آفتابی ماهانه انتخاب شد. همچنین استفاده از نمودارهای چارک‌- چارک، نشان داد که هرچند، شبکه عصبی مصنوعی، بهترین برازش را برای داده‌های تابش کل خورشیدی ماهانه ارائه می‌کند، اما توانایی این مدل در برآورد مقادیر بالای تابش کل خورشیدی ماهانه کاهش می‌یابد. لذا استفاده از این مدل برای مناطق با میزان تابش دریافتی کمتر توصیه می‌شود. عملکرد مدل ANFIS در تحت پوشش قرار دادن مقادیر بالا و پائین (چارک‌های چهارم و اول) از سایر مدل‌ها بهتر بود. بنابراین مزیت مدل ANFIS در برآورد دقیق‌تر مقادیر بزرگتر تابش خورشیدی است و از این مدل برای برآورد تابش خورشیدی در مناطق با میزان بالای دریافتی تابش خورشیدی می‌توان بهره برد. نتایج نشان داد که استفاده از مدل GEP برای برآورد تابش آفتابی کل ماهانه، به ویژه در محدوده 250 تا 800 مگاژول بر متر مربع رضایت‌بخش است. بنابراین می‌توان چنین نتیجه گرفت که توانایی مدل GEP در مدل‌سازی پدیده‌هایی با نوسانات کمتر و محدوده کوچک‌تر بیشتر است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of the Capability of Intelligent Models in Estimating Monthly Global Solar Radiation

نویسندگان [English]

  • Seyd Saber Sharifi 1
  • Vahid Rezaverdinejad 2
  • Vahid Nourani 3
  • Javad Behmanesh 4
1 Urmia University
2 Urmia University
3 Tabriz University
4 Urmia University
چکیده [English]

The concern of the present research was to do a comparative study between the GEP, ANN and ANFIS models to estimate monthly global solar radiation. For this purpose, long-term (24-years) monthly data of global solar radiation (RS, MJ m−2), sunshine hours and air temperature (°C), from Tabriz synoptic station were used. To perform the artificial intelligence models, a new combination of inputs were employed. The ANN model was selected as the best model to estimate the monthly global solar radiation. Using quarter-quarter (Q-Q) plots revealed that although the ANN model generally presents the best fit for monthly global solar radiation data, this model is found to be not successful in estimating the higher values of monthly global solar radiation data. Therefore, the application of ANN model is recommended for regions with lower solar radiation values. The performance of the ANFIS model was better than other models in covering the highest and lowest values (the first and fourth quarter). Therefore, it can be concluded that the ANFIS model gives more accurate results in the areas with the higher values of solar radiation. The findings also show that unlike previous researches which were carried out in daily scale, the performance of GEP technique for modeling monthly global solar radiation is satisfactory especially in the ranges of 250 to 800 MJ m−2. Thus, it can be inferred that GEP can be more powerful in modeling the phenomena which have low fluctuations or a limited range.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Adaptive Neuro-Fuzzy Inference System
  • Monthly global solar radiation
  • Gene expression programming
  • Tabriz