پیش بینی مقدار تشعشع خورشیدی با کمک داده های مرسوم هواشناسی برای شهرستان مشهد

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 119

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJBSE-47-1_020

تاریخ نمایه سازی: 31 اردیبهشت 1402

Abstract:

با توجه به افزایش جمعیت جهان طی قرن اخیر، نیاز به خوراک و انرژی بیشتر شده است. تامین انرژی مورد نیاز از مهم ترین دغدغه های کشورها می­باشد. استفاده از منابع تجدیدپذیر انرژی در دستور کار بسیاری از کشورها قرار گرفته است زیرا منابع فسیلی علاوه بر این که رو به اتمام هستند، باعث آلودگی محیط زیست و انتشار گازهای گلخانه­ای می شوند. یکی از مهم­ترین منابع انرژی تجدیدپذیر، خورشید است. برای تخمین میزان تشعشع قابل دریافت از روی داده های هواشناسی در مشهد با کمک شبکه عصبی مصنوعی، تحقیقی صورت پذیرفت. نتایج نشان دادند شبکه عصبی مصنوعی با شش متغیر ورودی شامل دمای میانگین، رطوبت، ساعات آفتابی، تابش خارج از جو، شماره روز سال و درجه حرارت خشک، با دو لایه پنهان ۳۷ و ۱۸ نرون، توانست با دقت مناسبی میزان تشعشع را تخمین بزند. مقادیر R، MAE، MSE و RMSE برای مدل مذکور به ترتیب ۹۵۳۳/۰، ۴۳۹۱/۱، ۱۷۹۰/۴ و ۰۴۴۳/۲ به­دست آمد. بنابراین در مشهد و نیز مناطقی مشابه با اقلیم مشهد که امکان ثبت تشعشع وجود ندارد، می­توان از داده­های مرسوم هواشناسی به قرار ذکر شده، برای تخمین میزان تشعشع با دقت بالا استفاده کرد.

Authors

سید حنیف رضا معتمد الشریعتی

دانشجوی دکترای مکانیزاسیون کشاورزی دانشگاه تهران

حسین مبلی

هیئت علمی پردیس کشاورزی و منابع طبیعی دانشگاه تهران

محمد شریفی

هیئت علمی پردیس کشاورزی و منابع طبیعی دانشگاه تهران

حجت احمدی

هیئت علمی پردیس کشاورزی و منابع طبیعی دانشگاه تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Abdolzade, M., Jafari, S., Rahnama, M., Ameri, M. (۲۰۰۸). Determining ...
  • Amadeh, H. (۲۰۱۳). Analyzing of demanding of agricultural energy in ...
  • Bagheri-toolabi, H., Moradi, M.H., Bagheri-toolabi, S. (۲۰۱۳). New method for ...
  • Chineke, T.C. (۲۰۰۸). Equations for estimating global solar radiation in ...
  • FAO. (۲۰۰۹). Reference Manual, version ۳.۱, January ۲۰۰۹ ...
  • Gani, A., Mohammadi, K., Shamshirband, S., Khorasanizadeh, H., Seyed, A., ...
  • Ghaderi, F., Bamdad, Sh. (۲۰۰۵). A mathematical model for estimating ...
  • IEA. (۲۰۱۴). International Energy Agency, Online Data Services. (http://www.iea.org/statistics)Javadi, S., ...
  • Jalaie, A., Jafari, S., Ansari Lari, S. (۲۰۱۳). Prediction of ...
  • Li, H., Ma, W., Lian, Y., Wang, X. (۲۰۱۰). Estimating ...
  • Macedon D., Visaa, I., Neagoea, M., Burduhosa, B. (۲۰۱۳). Solar ...
  • Mahdavi Adeli, M., Ghanbari, A. (۲۰۱۳). Analyze relationship between carbon ...
  • Ramedani, Z., Omid, M., Keyhani, A. (۲۰۱۳). Modeling Solar Energy ...
  • Sabbagh, J., Sayigh, A., Al-Salam, E. (۱۹۷۷). Estimation of the ...
  • Sabziparvar, A., Oliaee, E. (۲۰۱۱). Evaluation of the performance of ...
  • Sherbafian, N. (۲۰۰۸). Estimating technical and economical of heat solar ...
  • Tymvios, F.S., Jacovides, C.P., Michaelides, S.C., Scouteli, C. (۲۰۰۵). Comparative ...
  • Wang, S. (۲۰۰۳). Artificial Neural Network. ISBN ۹۷۸-۱-۴۶۱۳-۵۰۴۶-۰ ...
  • Yaghoubi, M., Sabazevari, A. (۱۹۹۶). Further Data on Solar Radiation ...
  • Zamani-mahi-abadi, M. (۲۰۱۴). Prediction of daily global solar radiation in ...
  • نمایش کامل مراجع