ارزیابی روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در برآورد انرژی کل خورشیدی در دو منطقه کرمان و یزد

نوع مقاله : علمی-ترویجی

نویسندگان

1 دانشجوی کارشناسی ارشد، بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان و عضو انجمن پژوهشگران جوان، دانشگاه شهید باهنر کرمان

2 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

3 دانشیار، بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

چکیده

مقدار انرژی تابشی، اصلی‌ترین مولفه جهت طراحی تجهیزات مربوط به انرژی‌های پاک محسوب می شود. با توجه به اینکه در بیشتر ایستگاه‌های تابش‌سنجی ایران، این مقدار اندازه گیری نشده و یا در مواردی ایستگاه تابش سنجی در دسترس نباشد، لذا ضروری است تا بتوان این مؤلفه را برآورد نمود. در این مطالعه، کرمان و یزد به عنوان مناطقی که دارای پتانسیل حداکثری انرژی خورشید هستند، انتخاب شدند. سپس قابلیت روش‌های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در برآورد انرژی خورشیدی مورد بررسی قرار گرفت. بدین منظور داده‌های روزانه 25 ساله (2017-1992) شامل دمای حداکثر، میانگین دما، میانگین رطوبت نسبی، ساعات آفتابی و تابش خورشیدی ایستگاه های همدیدی این مناطق جمع آوری گردید. برای روش ANN از سه آرایش تعداد نورون در لایه پنهان و برای روش SVM از سه الگو با تابع کرنل متفاوت استفاده شد. جهت بررسی عملکرد مدل‌ها، از آماره‌های ارزیابی متداول استفاده شد. نتایج نشان داد که در ایستگاه یزد، در روش ANN کمترین مقادیر RMSE، MAE و بیشترین مقادیر IA و R2 به ترتیب 381/2، 760/1، 869/0 و 962/0 می‌باشد. این مقادیر در ایستگاه کرمان به ترتیب برابر 708/2، 050/2، 945/0 و 810/0 می باشد. در روش SVM، کمترین مقادیر RMSE، MAE و بیشترین مقدار IA و R2 در ایستگاه یزد به ترتیب 028/2، 540/1، 901/0 و 973/0 و در ایستگاه کرمان به ترتیب 407/2، 896/1، 956/0 و 846/0 محاسبه گردید. به طور کلی کارایی روش SVM در هر دو منطقه نسبت به مدل شبکه عصبی دارای دقت بیشتری بود.

کلیدواژه‌ها


-     مراجع
[1]    K. E. N’Tsoukpoe, K. Y. Azoumah, E. Ramde, A.K. Fiagbe, P. Neveu, X. Py, M. Gaye, A. Jourdan, Integrated design and construction of a micro-central tower power plant, Energy for Sustainable Development, Vol. 31, pp. 1-13, 2016.
[2]       A. Qazi, H. Fayaz, A. Wadi, R. G. Raj, N. A. Rahim, W. A. Khan, The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review. Journal of cleaner production, Vol. 104, PP. 1-12, 2015.
[3]       J. Jang, S. Roger, ANFIS: Adaptive-network-based fuzzy inference systems, IEEE transactions on systems, man, and cybernetics, Vol. 23, pp. 665-685, 2003.
[4]     X. Yan, D. Abbes, B. Francois, Solar radiation forecasting using Artificial Neural Network for local power reserve, International Conference on Electrical Sciences and Technologies in Maghreb, (CISTEM), Tunis, Tunisia, PP. 1-6, 2014.
             ]5[      اکرم سیفی، توسعه یک سیستم خبره برای پیش­بینی تبخیرو تعرق مرجع روزانه با استفاده از ماشین بردار پشتیبان (SVM) و مقایسه نتایج آن با ANFIS، ANN و روش­های تجربی، دانشکده کشاورزی دانشگاه تربیت مدرس، پایان نامه کارشناسی ارشد، 1389.
]6[     ع. سبزی­پرور، و ا. علیائی، ارزیابی عملکرد شبکه عصبی مصنوعی در پیش­بینی تابش خورشیدی کل روزانه و مقایسه آن با نتایج مدل آنگستروم (مطالعه موردی: ایستگاه همدیدی تبریز)، مجله ژئوفیزیک ایران، شماره سوم، سال پنجم، بهار 90.
]7[      س. معینی، ش. جوادی، م. دهقان منشادی، ر. اسماعیلی، برآورد پتانسیل تابش خورشیدی در شهر یزد، نشریه انرژی ایران، سال سیزدهم، شماره یکم، بهار 89.
[8]    Z. Ramedani, M. Omid, A. Keyhani, Modeling solar energy potential          in a Tehran province using artificial neural networks, International Journal of Green Energy, Vol. 10, pp. 427-441, 2013.
[9]       J. Piri, S. Shamshirband, D. Petković, C. W. Tong, M. H. ur  Rehman, Prediction of the solar radiation on the Earth using support vector regression technique, Infrared Phys. Infrared Physics and Technol, Vol. 68, pp. 179–185, 2015.
[10]     K. Mohammadi, S. Shamshirband, A. S. Danesh, M. S. Abdullah, M. Zamani, Temperature-based estimation of global solar radiation using soft computing methodologies, Theoretical and Applied Climatology, Vol. 125, pp. 101-112, 2015.
[11]     N. KUMAR, S. P. Sharma, U. K. Sinha, Y. K. Nayak, Prediction of solar energy based on intelligent ANN modeling. International Journal of Renewable Energy Research (IJRER), Vol. 6, No. 1, pp. 183-188, 2016.
[12]    H. C. Bayrakçı, C. Demircan, A. Keçebaş, The development of empirical models for estimating global solar radiation on horizontal surface: a case study, Renewable and Sustainable Energy Reviews, Vol. 81, pp. 2771–2782, 2018.
[13]    V. Z. Antonopoulos, D. M. Papamichail, V. G. Aschonitis, A. V. Antonopoulos, Solar radiation estimation methods using ANN and empirical models. Computers and Electronics in Agriculture, Vol. 160, pp. 160-167, 2019.
[14]     J. L. Chen, G. S. Li, Evaluation of support vector machine for estimation of solar radiation from measured meteorological variables, Theoretical and Applied Climatology, Vol. 115, pp. 627–638, 2014.
[15]     O. Şenkal, Solar radiation and precipitable water modeling for Turkey using artificial neural networks. Meteorology and Atmospheric Physics, Vol. 127, pp. 481-488, 2015.
[16]     L. Olatomiwa, S. Mekhilef, S. Shamshirband, K. Mohammadi, D. Petković, C. Sudheer, A support vector machine–firefly algorithm-based model for global solar radiation prediction, Solar Energy, Vol. 115, pp. 632-644, 2015.
[17]    C. M. dos Santos, J. F. Escobedo, E. T. Teramoto, S. H. M. G. da Silva, Assessment of ANN and SVM models for estimating normal direct irradiation (Hb). Energy conversion and management, Vol. 126, pp. 826-836, 2016.
[18]     V. H. Quej, J. Almorox, J. A. Arnaldo, L. Saito, L. ANFIS, SVM and ANN soft-computing techniques to estimate daily global solar radiation in a warm sub-humid environment. Journal of Atmospheric and Solar-Terrestrial Physics, Vol. 155, pp. 62-70, 2017.
[19]    J. Rahimi, M. Ebrahimpour, A. Khalili, Spatial changes of extended De Martonne climatic zones affected by climate change in Iran. Theoretical and applied climatology, Vol. 112, pp. 409-418, 2013.
[20]     I. Moradi, Quality control of global solar radiation using sunshine duration hours. Energy, Vol. 34, No. 1, pp. 1-6, 2009.
[21]   H. DehghaniSanij, T. Yamamoto, V. Rasiah, Assessment of evapotranspiration estimation models for use in semi-arid environments. Agricultural water management, Vol. 64, No. 2, pp. 91-106, 2004.
[22]     M. Turhan, Neural networks and computation of neural network weights and biases by the generalized delta rule and backpropagation of errors, Rock SolidImages Press, 1995.
]23[    م. ب. منهاج، مبانی شبکه­های عصبی، دانشگاه صنعتی امیرکبیر، تهران، 1384، چاپ سوم.
]24[   ا. علیائی، م. ع. قربانی، و ح. جباری خامنه، عملکرد حافظه مدل اتورگرسیو و شبکه های عصبی مصنوعی در پیش بینی جریان روزانه رودخانه لیقوان، مجموعه مقالات سومینکنفرانس مدیریت منابع آب ایران ، دانشکده مهندسی عمران، دانشگاه تبریز، پاییز 87.
[25]    S. Haykin, Neural networks and learning machines, Three Eddition, Pearson Education, New York: Prentice Hall, 2006.
[26]     R. Hecht-Nielsen, (1987). Kolmogorov's mapping neural network existence theorem. In Proceedings of the International Conference on Neural Networks, IEEE Press, Vol. 3, pp. 11-14, 1987.
[27]      P. F. Pai, W.C. Hong, A recurrent support vector regression model in rainfall forecasting, HydrologicalProcess, Vol. 21, No. 6, pp. 819-827, 2007.
[28]     V. N. Vapnik, Statistical Learning Theory, First Edittion, pp. 156-160, New York: Wilay, 1998.
[29]    L. Hamel, Knowledge Discovery with Support Vector Machines, First Edittion, Hoboken: John Wiley, 2009.
[30]     O. Kisi, M. Cimen, Evapotranspiration modelling using support vector machines, Hydrological Sciences.Vol. 54, No. 5, pp. 918-928, 2010.
[31]     ع. اسکندری، ر. نوری، ح. معراجی و ا. کیاقادی، توسعه مدلی مناسب بر مبنای شبک عصبی مصنوعی و ماشین بردار پشتیبان بـرا ی پیشبینی به هنگام اکسیژنخواهی بیوشیمیایی 5 روزه، محیط شناسی، سال سی و هشتم، شماره 61، بهار 91.
[32]    P. S. Yu, S. T. Chen, I. F. Chang, Support vector regression for real-time flood stage forecasting, Journal of Hydrology,Vol. 328, pp. 704-716, 2006.
[33]     ع. رضایی، ع. میبدی، آمار و احتمالات، انتشارات دانشگاه صنعتی اصفهان، 1384، چاپ اول.
[34]  C. J. Willmott, Some comments on the evaluation of model performance, Bulletin of the American Meteorological Society, Vol. 63, No. 11, pp. 1309-1313, 1982.
[35]     R. Meenal, A. I. Selvakumar, Assessment of SVM, empirical and ANN based solar radiation prediction models with most influencing input parameters. Renewable Energy, Vol. 121, pp. 324-343, 2018.
[36]    S. A. Ahmad, M. Y. Hassan, M. P. Abdullah, H. A. Rahman, F. Hussin, H. Abdullah, R. Saidur, A review on applications of ANN and SVM for building electrical energy consumption forecasting, Renewable and Sustainable Energy Reviews, Vol. 33, No. 1, pp. 102-109, 2014.