مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی :

تعداد صفحات:۱۴
چکیده:
پیش بینی تشعشع خورشیدی برای کاربری های بسیاری در تحقیقات مربوط به انرژی تجدیدپذیر مهم می باشد. تشعشع خورشیدی با استفاده از مدل های پیش بینی تشعشع خورشیدی که شامل مدل های سنتی و مدل مبتنی بر شبکه عصبی مصنوعی Atrificial Neural N etwork (ANN) می باشد، پیش بینی می گردد. در اینجا متغیرهای هواشناسی و جغرافیایی وجود دارند که بر تشعشع خورشیدی تاثیر می گذارند، لذا شناسایی متغیرهای مناسب برای پیش بینی صحیح تشعشع خورشیدی امری مهم در حیطه تحقیقات به حساب می آید. نرم افزار محیط وایکاتو برای تجزیه و تحلیل دانش Waikato Environment for Knowledge Analysis (WEKA) با این هدف در ۱۱ نقطه در گیلان با شرایط آب و هوایی مختلف به منظور یافتن موثرترین پارامترهای ورودی برای پیش بینی تشعشع خورشیدی در مدل های ANN استفاده گردید. پارامترهای ورودی عبارتند از عرض جغرافیایی، طول جغرافیایی، حداکثر سرعت وزش باد، متوسط دمای هوا در هر ماه، معدل حداکثر دمای هوا، معدل حداقل دمای هوا، ساعات آفتابی، بارندگی ماهیانه، حداکثر بارندگی در یک روز برای شهرهای مختلف گیلان. به منظور چک کردن صحت پیش بینی با استفاده از پارامترهای شناخته شده، سه مدل شبکه عصبی مصنوعی ANN توسعه یافته اند (ANN-1, ANN-2 و ANN-3). حداکثر MAPE برای ANN-2, ANN-1 و ANN-3 به ترتیب برابر با ۲۲۱۵% ، ۲۰۲۹% و ۲۲۱۴% می باشند که نشان از ۱۸۶% بهبود صحت در پیش بنی مدل ANN-2 دارند.