(39 امتیاز از 8 رای)
Loading...
پیش بینی تابش خورشید با شبکه عصبی NARX در MATLAB
در این بخش پروژه پیش بینی تابش خورشید در یک ماه با شبکه عصبی بازگشتی NARX در نرم افزار MATLAB را آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.
پیش بینی تابش خورشید
تابش خورشیدی (Solar irradiance) به میزان قدرت تابش الکترومغناطیسی خورشید بر واحد سطح گفته می شود. تابش خورشیدی را می توان در فضا یا در سطح زمین بعد از گذر اتمسفر اندازه گیری کرد. میزان تابش خورشیدی به فاصله از خورشید و چرخه خورشیدی بستگی دارد. تابش کل خورشیدی رسیده به سطح زمین یکی از کاربردی ترین پارامتر هایی می باشد که در پروژه ها و مدل سازی های برآورد انرژی خورشیدی، هیدرولوژی، کشاورزی، هواشناسی و اقلیمی از اهمیت زیادی دارد. با توجه به اینکه تهیه و ایجاد وسایل اندازه گیری این پارامتر هزینه های بالایی دارد، معادلات بسیاری برای تخمین و برآورد از سوی محققان در سراسر دنیا پیشنهاد می شود. روند تابش خورشیدی ثابت است زیرا به طور کلی میانگین متحرک تابش خورشیدی در طول زمان افزایش یا کاهش نمی یابد. با این حال، روند های فصلی وجود دارد زیرا تابش خورشید در شب کاهش می یابد و در ماه های تابستان بیشتر می شود.
معرفی پروژه
در این پروژه با استفاده از شبکه اتورگرسیو غیرخطی NARX ، مدلی جهت پیش بینی تابش خورشید در یک ماه طراحی شده است. در مدل سازی سری زمانی ، مدل برونی خود پنداره غیر خطی یا مدل NARX به عنوان یکی از مدل های پر کاربرد است. شبکه عصبی NARX در پیش بینی تابش خورشید بهتر از سایر الگوریتم ها مثل شبکه عصبی MLP عمل می کند، زیرا توانایی بیشتری در مدل سازی وابستگی های زمانی غیر خطی در داده های سری زمانی دارد.
در این پروژه در فایل Solar_viz روند تابش خورشید در طول زمان ترسیم شده تا هر گونه مسائل مربوط به فصلی یا ایستایی را شناسایی کند که ممکن است عملکرد شبکه های عصبی را مختل کند. برای پیش بینی تابش خورشید، پیش بینی کننده های تاخیری از پنج متغیر ساخته شدند، از جمله خود تابش خورشیدی. فایل SumStats آمار خلاصه شده (حداقل، حداکثر، میانگین، تنوع، کشش) را برای هر یک از این متغیر ها نشان می دهد. سه مورد از آنها به صورت پیوسته (تابش خورشید، زاویه آزیموت یا قوس افقی و زاویه اوج) و همچنین دو متغیر نیز زمان گسسته (روز و ساعت) هستند. از داده های موجود 80 درصد از داده ها برای آموزش (و اعتبار سنجی متقابل) و 20 درصد برای آزمایش استفاده می شود. با این حال، به منظور حفظ وابستگی سری های زمانی، به جای نمونه برداری تصادفی از مجموعه آزمون، آخرین 20 درصد از توالی زمانی به عنوان دنباله داده های آزمون انتخاب می شود.
تصاویری از خروجی
هیچ نظری ثبت نشده است