evaluating potential of artificial neural network and neuro-fuzzy techniques for global solar radiation prediction in isfahan, iran

In this study, two widely used artificial intelligence techniques, i.e. artificial neural network (ann) and adaptive neurofuzzy inference system (anfis), were applied for global solar radiation (gsr) prediction in isfahan province, iran. different sets of meteorological data were used as inputs to specify the best set of inputs. relative humidity and precipitation had an unfavorable effect on radiation prediction, while the number of days, sunshine duration, minimum temperature, maximum temperature, daylight hours and clearsky radiation were effective parameters to determine gsr. using the mentioned parameters as inputs, 651 architecture had the best performance without overtraining. in anfis models, chr('39') triangularshapedchr('39') had the highest performance amongst different types of membership functions. resulted correlation coefficients and errors showed that ann was generally better than anfis for this purpose.

ارزیابی پتانسیل استفاده از تکنیک های شبکه های عصبی مصنوعی و عصبی-فازی به منظور پیش بینی GSR مطالعه موردی: استان اصفهان، ایران

امروزه کاربرد انرژی های پاک، تجدیدپذیر و قابل اطمینان و برنامه ریزی برای کاهش هزینه های کاربرد و افزایش بازده آن ها توجه زیادی را به خود جلب کرده است. این تلاش ها نه تنها از نقطه نظر مواجه با تغییرات آب وهوایی، آلودگی آب و هوا مؤثر و مفید است، بلکه برای ارتقای وضعیت بهره وری از انرژی نیز مؤثر و مفید واقع می شود. به منظور طراحی یک استراتژی مدیریت انرژی برای یک سامانه خورشیدی، ناگریز باید از دسترسی به انرژی خورشیدی، جذاب ترین و فراوان ترین فرم از انرژی های پاک، آگاهی داشت. در این مقاله به منظور پیش بینی تابش خورشیدی جهانی (GSR) در استان اصفهان از دو تکنیک پرکاربرد هوش مصنوعی، شبکه های عصبی مصنوعی و انفیس، استفاده شده است. از مجموعه داده های هواشناسی مختلف با ترکیب متفاوت داده ها استفاده شد تا بهترین مجموعه ورودی تعیین شود. رطوبت نسبی و میزان بارش تأثیر نامطلوبی روی پیش بینی تابش داشتند. در حالیکه شماره روز (3651)، طول دوره تابش، دمای بیشینه و کمینه، ساعت روشنایی روز و میزان تابش آسمان صاف پارامترهای مؤثری در تخمین GSR ارزیابی شدند. با استفاده از پارامترهای مذکور به عنوان ورودی، یک شبکه با توپولوژی 156 بهترین علمکرد بدون بیش برازش را نشان داد. در بین مدل های انفیس نیز، تابع عضویت »مثلثی « بهترین عملکرد را از میان توابع دیگر نشان داد. ضرایب همبستگی و خطاهای منتج نشان داد که به طور کلی عملکرد شبکه های عصبی مصنوعی برای هدف مورد نظر از مدل های انفیس بهتر است.