عنوان پایان‌نامه
مدل سازی تابش خورشیدی کل در ایران با استفاده از شبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی کشاورزی - مکانیزاسیون کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6880;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74739;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6880;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74739
- تاریخ دفاع
- ۲۱ شهریور ۱۳۹۴
- دانشجو
- محمد عزیزی دره چی
- استاد راهنما
- مجید خانعلی
- چکیده
- انرژی‌های تجدیدپذیر به صورت پایدار، در دسترس (در سراسر جهان به جای سوخت فسیلی یافت می‌شوند) و عاری از آلودگی هستند. انرژی خورشیدی به عنوان مهمترین منبع انرژی تجدیدپذیر در دسترس بوده و نیز عنصر اصلی سوخت های فسیلی می باشد. انرژی خورشیدی یک منبع ارزان، سازگار با محیط‌زیست، بی‌پایان و تمیز می‌باشد. دانش جامع درباره شدت تابش خورشیدی در زمان و دامنه خاص برای بسیاری از تحقیقات مربوط به مدیریت انرژی خورشیدی، کاربرد و غیر ضروری می‌باشد. با این حال داده‌های تابش خورشیدی به دلایل متعددی مثل هزینه، نگهداری و واسنجی دستگاه‌های اندازه‌گیری مورد نیاز در دسترس نیست و همچنین اندازه‌گیری در محل‌های دور افتاده و روستایی غیرممکن است. در این مطالعه، میانگین ماهانه تابش خورشیدی روزانه کل در ایران با استفاده از شبکه عصبی مصنوعی (ANN) و 12 مدل تجربی رگرسیونی تخمین زده شد. یک پایگاه داده بزرگ شامل مقادیر اندازه‌گیری شده متغیرهای ورودی روزانه برای مدت حدود 10 سال از 21 ایستگاه اندازه‌گیری تابش خورشیدی برای توسعه مدل استفاده شد. برای مقایسه نتایج مدل شبکه عصبی و مدل‌های تجربی با یکدیگر، از شاخص‌های آماری میانگین درصد خطا (MPE)، ریشه میانگین مربعات خطا (RMSE)، میانگین اریبی اشتباهات (MBE) و ضریب تبیین (R2)استفاده شده است. مقدار شاخص R2 برای 12 مدل تجربی بررسی شده بین 85/0 تا 88/0 می‌باشد که نشان دهنده برآورد نسبتاً مناسب از میانگین ماهانه تابش خورشیدی روزانه کل در ایران است. ورودی‌های شبکه عصبی مصنوعی تابش، میانگین دمای روزانه، میانگین سرعت باد، میانگین رطوبت نسبی، بارش، میانگین فشار ایستگاه، میانگین دمای نقطه شبنم، عرض جغرافیایی، ارتفاع ایستگاه از سطح دریا و طول جغرافیایی بودند. نتایج نشان می‌دهد هرچه تعداد ورودی‌ها بیشتر شده، مقدار R2 به یک نزدیک شده است. این نتایج قابلیت تعمیم مدل ANN و توانایی آن در برآورد دقیق در ایران را گواهی می‌دهد. واژه های کلیدی : تابش خورشیدی کل، شبکه عصبی مصنوعی، ایران، مدل‌سازی.
- Abstract
- Abstract Renewable energies are sustainable, ubiquitous (found everywhere across the world, in contrast to fossil fuels), and essentially nonpolluting. Solar energy is the original element for all fossil and renewable types as well as the most abundant renewable energy source available. Solar energy offers a cheap, eco-friendly, endless and clean energy resource. A comprehensive knowledge about the solar radiation intensity in time and special domain is necessary in many areas of research and development related to solar energy management, application, optimization, etc. However, solar radiation data is not readily available for many reasons such as cost, maintenance and calibration requirements of the measurement instrument as well as rather impossible measurement in remote or rural locations. In this study, the monthly mean daily global solar radiation in Iran was estimated using artificial neural network (ANN) and 12 empirical regression models. A large database containing measured values of daily input variables for a period about 10 years of all 21 metrological stations in which solar radiation was measured, were used for developing the models. The results of the ANN model and other empirical regression models were compared with measured data on the basis of mean percentage error (MPE), mean bias error (MBE), root mean square error (RMSE) and coefficient of determination (R2 ). The R2 values of all empirical models were ranged from 0.1 to 0.1, which implies that empirical models provide the accurate estimation of monthly mean daily global solar radiation in Iran. The ANN model used inputs as attitude, longitude, altitude, monthly total precipitation, and monthly mean values of sunshine duration, air temperature, wind speed, relative humidity, vapor pressure and dew temperature. Results obtained indicate that R2 values equals 1 by increasing the number of input parameters. These results testify the generalization capability of the ANN model and its ability to produce accurate estimates in Iran. Keywords: Global solar radiation, artificial neural networks, modeling, iran
