كليدواژه :
استان كرمانشاه , تابش كلي خورشيد , شبكه هاي عصبي مصنوعي , رگرسيون غيرخطي چندگانه , سريهاي زماني
چكيده فارسي :
(MNLR) بر اساس روش رگرسيون غيرخطي چندگانه (ANN) هدف مطالعه حاضر توسعه يك مدل شبكه عصبي مصنوعيبراي تخمين ميانگين ماهانه مجموع روزانه تابش كلي خورشيد در هر محل از استان كرمانشاه است. براي اين منظور، دادههاي 1387 جمعآوري كه دادههاي 17 ايستگاه براي آموزش و 6 -هواشناسي 23 ايستگاه در استان كرمانشاه در طول سالهاي 1392ايستگاه براي آزمايش شبكه استفاده شد. در مرحله اول، همه متغيرهاي مستقل (عرض جغرافيايي، طول جغرافيايي، ارتفاع، ماه، حداقل درجه حرارت ماهانه در جو، حداكثر درجه حرارت در جو، متوسط درجه حرارت در جو، دماي خاك، رطوبت نسبي، سرعت باد، بارش، فشار اتمسفريك، فشار بخار، كدورت و مدت زمان تابش آفتاب) جمعآوري و پس از انتخاب مناسبترين متغيرهاي ورودي، با استفاده با دادههاي واقعي مقايسه شد و ميانگين درصد خطاي مطلق ANN از اين متغيرهاي ورودي، نتايج بدست آمده توسط مدل0 براي مجموعه دادههاي آزمايش به دست آمد كه /در حدود 9961 (R) 3 درصد و ضريب همبستگي/در حدود 98 (MAPE)نشاندهنده معتبر بودن مدل است.
چكيده لاتين :
The main objective of the present study is to develop an artificial neural network (ANN) model based on multi-nonlinear regression (MNLR) method for estimating the monthly mean daily sum global solar radiation at any place of Kermanshah province. For this purpose, the meteorological data of 23 stations spread in Kermanshah province along the years 2008–2013 were used as training (17 stations) and testing (6 stations) data. Firstly, all independent variables (latitude, longitude, altitude, month, monthly minimum atmospheric temperature, maximum atmospheric temperature, mean atmospheric temperature, soil temperature, relative humidity, wind speed, rainfall, atmospheric pressure, vapor pressure, cloudiness and sunshine duration) were collected. Then, the Stepwise MNLR method was applied to determine the most suitable independent (input) variables. With the use of these input variables, the results obtained by the ANN model were compared with the actual data, and error values were found within acceptable limits. The mean absolute percentage error (MAPE) was found to be 3.98% and correlation coefficient (R) value was obtained to be about 0.9961 for the testing data set.
