ارزیابی مدل هیبریدی جنگل تصادفی-الگوریتم ژنتیک در تخمین تابش خورشیدی روزانه

انرژی خورشیدی مهم ترین منبع انرژی های تجدیدپذیر و به عبارتی منبع اصلی انرژی های موجود در زمین است. لذا برآورد پارامتر تابش خورشیدی با دقت بالا اهمیت بسیاری دارد. در این راستا، در پژوهش حاضر از داده های هواشناسی 3 ایستگاه هواشناسی استان اردبیل شامل مشگین شهر، گرمی و نیر در بازه زمانی 2 ساله (2018-2017) در مقیاس روزانه استفاده شد. سپس با به کارگیری روش های جنگل تصادفی و جنگل تصادفیالگوریتم ژنتیک شدت تابش خورشیدی روزانه در هر یک از ایستگاه های مذکور برآورد گردید. متغیرهای هواشناسی مورد استفاده شامل حداقل، حداکثر و میانگین دما، رطوبت نسبی و سرعت باد بوده که در هشت ترکیب متفاوت به عنوان داده های ورودی در محاسبات مدل ها در نظر گرفته شد.  نتایج به‌دست‌آمده با استفاده از پارامترهای آماری با یکدیگر مقایسه شده و مدل‌های برتر انتخاب شد. با مقایسه کلی نتایج، مدل های ایستگاه‌های نیر، مشگین شهر و گرمی به ترتیب از بیشترین به کمترین دقت مدل سازی رتبه بندی شدند؛ به طوری که مدل garfv در ایستگاه نیر با دارا بودن جذر میانگین مربعات خطای mj/m^2 d 0.346 و راندمان کلینگگاپتا 0.687 با کمترین خطا به عنوان برترین مدل در این مطالعه معرفی شد. همچنین نتایج به دست آمده نشان داد که الگوریتم ژنتیک به افزایش دقت همه مدل های مورد استفاده کمک شایانی کرده است.

evaluation of random forest-genetic algorithm hybrid model in estimating daily solar radiation

solar energy is the most important source of renewable energy, in other words, the main source of energy on earth. therefore, estimating the solar radiation parameter with high accuracy is very important. in this regard, in the present study, meteorological data of 3 meteorological stations of ardabil province, including meshginshahr, germi, and nir for a period of 2 years (20172018) on a daily scale were used. then, the intensity of daily solar radiation in each of the mentioned stations was estimated using random forest and random forest methodsgenetic algorithm. the meteorological variables used included minimum, maximum and average temperature, relative humidity, and wind speed, which in eight different combinations were considered as input data in the model calculations. the obtained results were compared with each other using statistical parameters and the best models were selected. by comparing the results, the models of nir, meshginshahr, and germi stations were ranked from highest to lowest modeling accuracy, respectively; so that the garfv model in nir station with the root mean square error of 0.346 mj/m2d and klinggupta efficiency of 0.687 with the least error was introduced as the best model in this study. also, the results showed that the genetic algorithm has helped to increase the accuracy of all utilized models.