مقايسه‌ي پيش بيني ميزان توليد برق در نيروگاه منتخب خورشيدي استان همدان با مدلهاي تك متغير و چندمتغير (تكنيك شبكه عصبي NAR و شبكه عصبي MLP)

Comparison of Power Generation Estimation at Hamadan Selected Solar Power Plant with Single-Variable and Multivariate Models (NAR Neural Network Technique and MLP Neural Network)

انرژي خورشيدي به عنوان انرژي پاك سبز كه از نور خورشيد نشات مي‌گيرد، برخلاف سوخت‌هاي فسيلي، جزء منابع پايدار و پايان‌ناپذير محسوب مي‌شود. دسترسي آسان به انرژي خورشيد در اقصي نقاط كشور ايران اين ظرفيت مطالعاتي را ايجاد مي كند كه بتوان با پيش بيني دقيق ميزان توليد برق خورشيدي برآوردي نزديك به واقعيت ارائه داد. در پژوهش حاضر به مقايسه‌ي پيش‌بيني ميزان توليد نيروگاه‌هاي خورشيدي با مدل‌هاي تك متغير (شبكه عصبي NAR ) و چندمتغير(شبكه عصبيMLP) با هدف برآورد تابع توليد با كمترين تعداد پارامتر ورودي پرداخته شده است. در اين پژوهش 417 داده از زمان شروع به كار نيروگاه خورشيدي اميركبير تا پايان سال 1396 به عنوان خروجي و متناظر با آن داده‌هاي ميزان تابش بر صفحه‌ي افقي و درجه حرارت هوا به عنوان ورودي شبكه عصبي در نظر گرفته شده است. در شبكه عصبي (NAR) با 3 وقفه، كمترين ميزان خطاي MAPE ، 2919/24 و ميزان خطاي RMSE ، 1492/0 گزارش شده است. شبكه عصبي (MLP) با دو ورودي تابع آموزش trainlm و 6 نرون، كمترين ميزان خطاي MAPE ، 3805/11و ميزان خطاي RMSE ، 0799/0 گزارش شده است. دقت شبكه عصبي (MLP) بر اساس دو معيار ذكر شده بالاتر از شبكه عصبي (NAR) است.

Solar power is clean green electricity sourced from sunlight that is sustainable and totally inexhaustible, unlike fossil fuels that are finite. Easy access to solar energy across parts of Iran creates a study capacity that is close to realistic estimates of solar power production. In the present paper, we compare the prediction of the production of solar power plants with single-variable models (NAR) and multi-variable models (MLP) with the aim of estimating the production function with the least number of input parameters. In this paper, 417 observations are considered from the start point of the Amir Kabir Solar Power Plant by the end of 2017 as an output and the global horizontal radiation on the plane and the air temperature as the input of the neural network. In the neural network (NAR) with 3 lags, the lowest MAPE error, 24.2919 and the RMSE error rate was reported to be 1,492. The accuracy of Neural Network (MLP) with two inputs, trainlm training function and 6 neurons, the lowest MAPE error rate, 11.3805 and RMSE error rate, 0.0799 was reported. Neural Network Accuracy (MLP) is based on the two above-mentioned criteria is lower than the Nervous System (NAR).