ارزيابي روش‌هاي فازي، عصبي و فازي- عصبي در تخمين تابش خورشيدي كشور

Evaluation of ANN, ANFIS and fuzzy systems in estimation of solar radiation in Iran

تابش خورشیدی در تعیین محل بهینه‌ی نیروگاه‌های خورشیدی و در مطالعات زمین‌شناسی و اكولوژیكی عاملی تأثیرگذار بوده و پارامتر اصلی بسیاری از مدل‌های هواشناسی و هیدرولوژیكی می‌باشد. در ایران 63 ایستگاه تابش‌سنجی موجود است كه در قیاس با گستره‌ی كشور تراكم پایینی برای شبكه پایش تابش خورشیدی محسوب می‌شود. در تحقیق حاضر به منظور افزایش تراكم شبكه تابش‌سنجی و در نتیجه پهنه‌بندی دقیق تابش خورشیدی، از اطلاعات هواشناسی موجود در ایستگاه‌های سینوپتیك استفاده شد. با توجه به همبستگی بالای موجود بین مشاهدات تابش خورشیدی و اطلاعات هواشناسی (ساعات آفتابی، دمای بیشینه و همبستگی معكوس بالا با متوسط فشار از سطح آب‌های آزاد)، از این اطلاعات جهت محاسبه‌ی تابش خورشیدی در ایستگاه‌های سینوپتیك استفاده شد. در این تحقیق از روش‌های عمده محاسبات نرم همچون سیستم‌های استنتاج فازی (FIS) با خوشه‌بندی فازی، شبكه‌ی عصبی مصنوعی (ANN) و سیستم‌های استنتاج تطبیقی عصبی-فازی (ANFIS) بهره گرفته شد. نتایج حاصل از روش‌های مذكور توسط معیارهای دقت RMSE، MAE و MBE مقایسه شدند. نتایج نشان دادند كه روش فازی سوگنو با خوشه‌بندی فازی RMSEای برابر با 07/28 وات بر مترمربع دارد كه 18% درصد بهتر از روش شبكه عصبی؛ 39% بهتر از سیستم استنتاج عصبی-فازی با تقسیم‌بندی گریدی و 42% درصد بهتر از خوشه‌بندی كاهشی است. نتایج حاصل از MAE و MBE نیز حاكی از قابلیت بالای روش‌ فازی سوگنو بود. این روش برای مدل‌سازی سیستم‌های پیچیده و غیرخطی انعطاف‌پذیرتر بوده و در پیش‌بینی مكانی تابش‌خورشیدی راحت‌تر و سریع‌تر (هم از نظر اجرای كاربر و هم به لحاظ نرم‌افزاری) قابل‌اجرا می‌باشد. تابش خورشیدی برآورد شده برای 333 ایستگاه سینوپتیك كشوری با روش كریجینگ عادی پهنه‌بندی شد. اطلس تابش خورشیدی حاصل از این تحقیق برای شناسایی نواحی پرتابش ایران به منظور كاربردهای مهندسی و برنامه‌ریزی انرژی مناسب می‌باشد. اطلس تابشی حاصل نشان داد كه 32 درصد از مناطق كشور دارای تابش خورشیدی بالای w/m2 500 (مقدار تابش معیار برای نیروگاه‌های خورشیدی) هستند.

Solar radiation is one of the most salient factors in determining the optimal locations of solar farms. It is the main input of geological, ecological, meteorological and hydrological models. In Iran, there are 63 stations which measures solar radiation compared to the extent of the country, solar radiation monitoring network has very low densities. In the present study, in order to increase the network congestion and continuous mapping of solar radiation, synoptic meteorological stations’ data were used. Considering the high correlation between solar radiation and meteorological data (sunshine duration, maximum temperature and negatively high correlated sea pressure), such data was used to calculate solar radiation in synoptic stations by using Fuzzy Inference System (FIS), Artificial Neural Network (ANN) and Adaptive Neuro Fuzzy Inference Systems (ANFIS). The evaluation of the results was performed by RMSE, MAE and MBE to rank the methods. Our results revealed that Sugeno method accompanied by Fuzzy C-mean clustering has RMSE=28.07 w/m2 that lays the least errors amongst the others. With respect to ANN, Cub-clustering and Grid partition ANFIS, Sugeno method showed 18, 39% and 42% improvement. MAE and MBE also implied the ability of the Sugeno fuzzy method. Such a method is more flexible for modeling complex and nonlinear systems. The implementation of the methods in prediction of solar radiation revealed that Sugeno is easier and faster to executable. Estimated Solar radiation for 333 synoptic stations was interpolated by Ordinary Kriging to generate a continuous surface for the country. The generated solar radiation atlas is suitable to identify solar throw areas of our country as well as for engineering applications and energy planning. Radiation atlas showed that 32 percent of the country has solar radiation above 500w/m2 that is the amount of radiation required for solar farms.