نویسندگان

• علی‌اکبر سبزی‌پرور
• مریم بیات‌ورکشی

دانشگاه بوعلی‌سینا همدان

چکیده

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 می‌رود. مطالعه حاضر به منظور ارزیابی مدل‌های هوش مصنوعی در پیش‌بینی 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) جهت شبیه‌سازی مقدار تابش کل خورشیدی (Rs) به‌کار گرفته شد. اطلاعات مورد استفاده شامل دمای حداقل، دمای حداکثر، میانگین رطوبت نسبی، ساعات آفتابی و تابش خورشیدی روزانه ثبت شده در 4 ایستگاه هم‌نظیر کشور (اصفهان، ارومیه، شیراز و کرمان) طی سال‌های 1992 تا 2006 بود. نتایج نشان داد، با به‌کارگیری مدل‌های هوشمند می‌توان مقدار تابش خورشیدی را با دقت قابل قبول پیش‌بینی نمود. نتایج پیش‌بینی شبکه عصبی مصنوعی تا اندازه‌ای بهتر از سیستم استنتاجی عصبی- فازی، ضمن آنکه دقت پیش‌بینی هر دو مدل هوشمند در ایستگاه کرمان با ساعات آفتابی زیاد بهتر از سه ایستگاه دیگر بود (R2>0.9). همچنین با استفاده از مدل رگرسیون خطی مؤثرترین عوامل تأثیرگذار بر مقدار تابش خورشیدی هر ایستگاه شناسایی شد. نتایج نشان داد در کلیه ایستگاه‌های مورد مطالعه، پارامتر ساعات آفتابی بیشترین تأثیر را بر مقدار تابش خورشیدی داشت. در اغلب ایستگاه‌ها، حداقل دمای هوا و میانگین رطوبت نسبی، کمترین تأثیر را در مقدار تابش کل خورشیدی از خود نشان دادند.

کلیدواژه‌ها

• تابش کل خورشیدی
• شبکه عصبی مصنوعی
• سیستم استنتاج تطبیقی عصبی- فازی
• مدل رگرسیونی
• پیش‌بینی

عنوان مقاله [English]

Evaluation of artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) methods in prediction of global solar radiation

نویسندگان [English]

• AA Sabziparvar
• M Bayat Varkeshi

چکیده [English]

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 (ANFIS). Minimum temperature, maximum temperature, average relative humidity, sunshine hours and daily solar radiation recorded in four synoptic stations (Esfahan, Urmieh, Shiraz and Kerman) were used during the period 1992-2006. The results showed that ANN and ANFIS intelligent models are powerful tools in prediction of global solar radiation for the selected stations. Prediction by ANN was found to be more accurate than ANFIS. Also, the accuracy of prediction in Kerman with higher sunny hours was better than other stations (R2> 0.9). Additionally, using linear regression model, the most effective factors affecting Rs in each site was introduced. The results revealed that sunshine hour is the most important determining parameter affecting surface solar radiation. In contrast, in most sites minimum air temperature and mean relative humidity showed the least effect on surface global solar radiation.

کلیدواژه‌ها [English]

• global solar radiation
• ANN
• ANFIS
• regression model
• prediction