مقايسه دقّت روش‌هاي رگرسيوني و هوش‌ مصنوعي در برآورد سرعت روزانه باد در منطقه سيستان

Comparing the accuracy of regression and artificial intelligence methods in estimating daily speed of wind in the Sistan region

پژوهش حاضر با هدف مقايسه دقت پيش بيني روش هاي رگرسيوني، شبكه عصبي مصنوعي و سيستم استنتاج فازي - عصبي تطبيقي در برآورد سرعت باد در منطقه سيستان انجام شد. براي اين منظور از داده هاي روزانه ايستگاه هاي هواشناسي سينوپتيك زابل و زهك طي يك دوره پنج ساله (2015-2010) استفاده شد. براي مدل سازي به روش شبكه عصبي مصنوعي و سيستم استنتاج فازي از نرم افزار MATLAB و براي مدل سازي با روش هاي رگرسيوني از نرم افزار DATA FIT استفاده شد. دقت روش ها با استفاده از آماره هاي جذر ميانگين مربعات خطا، شاخص تطابق و ميانگين قدر مطلق خطا مورد ارزيابي قرار گرفت. براساس تحليل حساسيت انجام شده، متغيرهاي متوسط درجه حرارات روزانه، متوسط رطوبت نسبي، ساعت آفتابي و ميزان تبخير از تشتك به عنوان متغيرهاي ورودي مدل هاي رگرسيوني و هوش مصنوعي در نظر گرفته شد و متغير سرعت باد نيز به عنوان خروجي در نظر گرفته شد. بر اساس نتايج، متوسط درجه حررات روزانه و متوسط رطوبت نسبي به‌ترتيب، بيش‌ترين وكمترين تأثير را بر سرعت باد در منطقه سيستان دارند (به‌ترتيب ضريب همبستگي 0/42 و 0/25). علاوه بر اين، نتايج بيانگر آن است كه در بين روش‌هاي مورداستفاده روش نروفازي با تابع عملگر گوسين در برآورد سرعت باد داراي عملكرد دقيق‌تري است (جذر ميانگين مربعات خطا، 2/56). در حالي‌كه مجذور ميانگين مربعات خطا براي مدل رگرسيون 4/44 مي‌باشد. همچنين ضريب تشخيص روابط رگرسيون (0/51 و 0/45) نيز در مقايسه با مدل پرسترون چندلايه و مدل نروفازي (0/52 و 0/51) در هر دو ايستگاه كمتر است. بر اين اساس پيشنهاد مي‌گردد جهت تخمين و پيش‌بيني دقيق‌تر سرعت باد در منطقه سيستان از روش نروفازي استفاده شود تا با برآورد دقيق اين مؤلفه، علاوه بر برنامه‌ريزي جهت كاهش خسارات ناشي از وزش باد‌هاي شديد، امكان بهره‌برداري بهينه از اين منبع انرژي نيز فراهم شود.

This paper aims at comparing the accuracy of regression, artificial intelligence, and adaptive neuro-fuzzy (ANFIS) interpretation methods in estimating wind speed in the Sistan region. To this end, we used the daily weather information obtained from Zabol synoptic stations during a five-year period (2010-2015). MATLAB software was used for modeling based on artificial neural network. On the other hand, DATA FIT software was used for modeling based on regression methods. The methods’ accuracies were estimated using mean square error statistics, comparison indexes, and mean error. Based on sensitivity analysis results; variables such as daily temperature mean, mean relative humidity, sunshine hours, and evaporation from pan were regarded as input variables of regression and artificial intelligence methods. Wind speed was considered as output variable. Based on the results, mean daily temperature and mean relative humidity had the most and the least effect on wind speed in Sistan (0.42 and 0.25 respectively). Neuro-fuzzy method with Gaussian function was the most accurate method in estimating wind speed (error squares mean of 2.56). The same statistic for regression method is 4.44. The correlation of regression method (0.45 and 0.51) is less than those of multilayer perceptron method and Neuro-fuzzy method (0.51 and 0.52). So, it is suggested that Neuro-fuzzy method can be used for more accurate estimating wind speed in Sistan region. With accurate estimation of this variable, we can hinder the devastative effects of wind and use it as an effective source of energy.