ارزیابی الگوریتم‌های شبکه عصبی، مدل‌های سری زمانی و مدل هیبریدی sarima-setar در پیش‌بینی سرعت باد ماهانه

در این پژوهش به منظور مدل سازی و پیش بینی سرعت باد ماهانه‌ شهر دزفول از مدل sarima، مدل سری زمانی‌ غیرخطی آستانه (setar)، مدل هیبریدی sarima-setar و همچنین شبکه های عصبی مصنوعی استفاده شد. افزون بر این، برای انتخاب متغیرهای ورودی موثر در پیش بینی سرعت باد با شبکه عصبی از الگوریتم pmi  بهره گرفته شد .با استفاده از ضابطه همپل و معیار اطلاعاتی آکائیک، مقدار رطوبت نسبی ماهانه در دو ماه قبل rh(t-2)، مقدار تبخیر ماهانه در یک ماه قبل e (t-1)، دمای متوسط ماهانه در سه ماه قبل tave (t-3) و دمای حداکثر ماهانه دریک ماه قبل tmax (t) به عنوان متغیرهای ورودی موثر برای مدل سازی و پیش بینی سرعت باد ماهانه مشخص شد. به منظور صحت سنجی مدل های sarima و setar و مدل هیبریدی sarima*setar برازش یافته از توابع خودهمبستگی، خودهمبستگی جزیی و آزمون استقلال باقی مانده‌های مدل (الجونگ-باکس) استفاده گردید. مدل برتر بر اساس حداقل مقدار عددی آماره شوارتز و آکائیک تعیین شدند. همچنین برای مدل سازی و پیش بینی سرعت باد ماهانه با شبکه عصبی برای لایه ورودی و خروجی تابع خطی و برای لایه مخفی از توابع محرک مختلف با الگوریتم آموزش متفاوت استفاده شد. مدل‌ شبکه عصبی با توپولوژی (5-1-1) با تابع محرک تانژانت سیگموئید و با الگوریتم آموزشی لونبرگ– مارکوارت درمقایسه با  مدل های خطی sarima و غیر خطی setar دارای  عملکرد بهتر در پیش‌بینی سرعت باد ماهانه ایستگاه سینوپتیک دزفول شناخته شد. نتایج ارزیابی عملکرد مدل ها نشان داد که مدل هیبریدی sarima*setar(2,2,3) در مقایسه با سایر مدل های عملکرد بهتری داشت است. با ضریب تبین 0.91 و ریشه میانگین مربعات 72 دارای دقت قابل قبولی در پیش بینی سرعت باد ماهانه ایستگاه سینوپتیک دزفول می باشد.

Evaluation of neural network algorithms, and time-series models and SARIMA-SETAR hybrid model in Monthly wind speed prediction

The aim of this study is modeling and predicting the monthly wind speed of Dezful. Therefore, SARIMA model, threshold nonlinear time series model (SETAR), SARIMASETAR hybrid model, and also artificial neural networks were used. In addition, the PMI algorithm was used for selecting the effective input variables in predicting wind speed for the neural network model. Using the Hempel criterion and the AIC information criterion monthly relative humidity in the previous two months RH (t2), monthly in the previous month evaporation (t1), the average monthly temperature in the previous three months Tave (t3) and maximum monthly temperature in the previous month Tmax (t) as effective input variables for modeling and predicting monthly wind speed were identifie .TO validate the SARIMA and SETAR models and the fitted SARIMASETAR hybrid model, the functions of autocorrelation, partial autocorrelation and the residual independence test of the model (LjungBox) were used. The superiority models ware determined based on the minimum numerical value of Schwartz and AIC statistics. For modeling and predicting wind speed with neural network, linear function was used for input and output layer and different stimulus functions with different training algorithms were used for the hidden layer.The neural network model with topology (135) with sigmoid tangent stimulus function and LevenbergMarquardt training algorithm was found to have better performance in predicting the monthly wind speed of Dezful synoptic station compared to SARIMA linear and SETAR nonlinear models. The results of the models showed that the SARIMASETAR hybrid model (2, 2, 3) had better performance compared to other models. It has acceptable accuracy in predicting the monthly wind speed of the Dezful synoptic, with a coefficient of determination of 0.91 and a root of mean squares 72.