Published October 1, 2011
| Version v1
Publication
Open
Application of Neuro-Fuzzy Techniques for Solar Radiation
Description
Problem statement: The prediction is very useful in solar energy applications because it permits to estimate solar data for locations where measurements are not available.The developed artificial intelligence models predict the solar radiation time series more effectively compared to the conventional procedures based on the clearness index.Approach: The forecasting ability of some models could be further enhanced with the use of additional meteorological parameters.After having simulated many different structures of neural networks and trained using measurements as training data, the best structures were selected in order to evaluate their performance in relation with the performance of a neuro-fuzzy system.As the alternative system, ANFIS neuro-fuzzy system was considered, because it combines fuzzy logic and neural network techniques that are used in order to gain more efficiency.ANFIS is trained with the same data.Results: The comparison and the evaluation of both of the systems were done according to their predictions, using several error metrics.Fuzzy model was trained using data of daily solar radiation recorded on a horizontal surface in National Research Institute of Astronomy and Geophysics, Helwan, Egypt (NARIG) at ten years (1991)(1992)(1993)(1994)(1995)(1996)(1997)(1998)(1999)(2000).Conclusion: The predicting conclusion indicated that the TS fuzzy model gave a good accuracy of approximately 96% and a root mean square error lower than 6%.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
بيان المشكلة: التنبؤ مفيد للغاية في تطبيقات الطاقة الشمسية لأنه يسمح بتقدير البيانات الشمسية للمواقع التي لا تتوفر فيها القياسات. تتنبأ نماذج الذكاء الاصطناعي المطورة بالسلسلة الزمنية للإشعاع الشمسي بشكل أكثر فعالية مقارنة بالإجراءات التقليدية القائمة على مؤشر الوضوح .النهج: يمكن تعزيز قدرة التنبؤ لبعض النماذج باستخدام معلمات الأرصاد الجوية الإضافية .بعد محاكاة العديد من الهياكل المختلفة للشبكات العصبية وتدريبها باستخدام القياسات كبيانات تدريب، تم اختيار أفضل الهياكل من أجل تقييم أدائها فيما يتعلق بأداء نظام ضبابي عصبي. كنظام بديل، تم النظر في نظام ضبابي عصبي ANFIS، لأنه يجمع بين المنطق الضبابي وتقنيات الشبكة العصبية التي يتم استخدامها من أجل الحصول على المزيد من الكفاءة. يتم تدريب ANFIS بنفس البيانات. النتائج: تم إجراء المقارنة والتقييم لكلا النظامين وفقًا لتوقعاتهما، باستخدام عدة مقاييس للأخطاء. تم تدريب نموذج ضبابي باستخدام بيانات الإشعاع الشمسي اليومي المسجل على سطح أفقي في المعهد الوطني للبحوث الفلكية والجيوفيزياء، حلوان، مصر (NARIG) في عشر سنوات (1991)(1992)(1993)(1994)(1995)(1996)(1997)(1998)(1999)(2000). الاستنتاج: أشار الاستنتاج المتوقع إلى أن نموذج TS الغامض أعطى دقة جيدة تبلغ حوالي 96 ٪ وخطأ جذر متوسط مربع أقل من 6 ٪.Translated Description (French)
Énoncé du problème : La prédiction est très utile dans les applications de l'énergie solaire car elle permet d'estimer les données solaires pour les endroits où les mesures ne sont pas disponibles. Les modèles d'intelligence artificielle développés prédisent les séries temporelles du rayonnement solaire plus efficacement que les procédures conventionnelles basées sur l'indice de clarté. Approche : La capacité de prévision de certains modèles pourrait être encore améliorée avec l'utilisation de paramètres météorologiques supplémentaires. Après avoir simulé de nombreuses structures différentes de réseaux neuronaux et formé en utilisant des mesures comme données d'entraînement, les meilleures structures ont été sélectionnées afin d'évaluer leur performance par rapport à la performance d'un système neurofluzzy.En tant que système alternatif, le système neurofuzzy ANFIS a été envisagé, car il combine la logique floue et les techniques de réseau neuronal qui sont utilisées pour gagner en efficacité.ANFIS est formé avec les mêmes données.Résultats : La comparaison et l'évaluation des deux systèmes ont été faites selon leurs prédictions, en utilisant plusieurs métriques d'erreur.Le modèle Fuzzy a été formé en utilisant les données du rayonnement solaire quotidien enregistrées sur une surface horizontale à l'Institut national de recherche en astronomie et Géophysique, Helwan, Egypte (NARIG) à dix ans (1991)(1992)(1993)(1994)(1995)(1996)(1997)(1998)(1999)(2000).Conclusion : La conclusion prédictive indiquait que le modèle flou TS donnait une bonne précision d'environ 96% et une erreur quadratique moyenne inférieure à 6%.Translated Description (Spanish)
Planteamiento del problema: La predicción es muy útil en aplicaciones de energía solar porque permite estimar datos solares para ubicaciones donde no se dispone de mediciones. Los modelos de inteligencia artificial desarrollados predicen las series temporales de radiación solar de manera más efectiva en comparación con los procedimientos convencionales basados en el índice de claridad. Enfoque: La capacidad de pronóstico de algunos modelos podría mejorarse aún más con el uso de parámetros meteorológicos adicionales. Después de haber simulado muchas estructuras diferentes de redes neuronales y entrenado utilizando mediciones como datos de entrenamiento, se seleccionaron las mejores estructuras para evaluar su rendimiento en relación con el rendimiento de un sistema neurofuzzy. Como sistema alternativo, se consideró el sistema neurofuzzy ANFIS, porque combina técnicas de lógica difusa y redes neuronales que se utilizan para obtener más eficiencia.ANFIS se entrena con los mismos datos.Resultados: La comparación y la evaluación de ambos sistemas se realizaron de acuerdo con sus predicciones, utilizando varias métricas de error. El modelo difuso se entrenó utilizando datos de radiación solar diaria registrados en una superficie horizontal en el Instituto Nacional de Investigación de Astronomía and Geophysics, Helwan, Egypt (NARIG) at ten years (1991)(1992)(1993)(1994)(1995)(1996)(1997)(1998)(1999)(2000) .Conclusión: La conclusión de la predicción indicó que el modelo difuso TS dio una buena precisión de aproximadamente el 96% y un error cuadrático medio inferior al 6%.Files
jcssp.2011.1605.1611.pdf.pdf
Files
(342.2 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:6ed87e10316bfc74f628a475b27401f5
|
342.2 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطبيق تقنيات التشويش العصبي للإشعاع الشمسي
- Translated title (French)
- Application des techniques Neuro-Fuzzy pour le rayonnement solaire
- Translated title (Spanish)
- Aplicación de técnicas neurofuzzy para la radiación solar
Identifiers
- Other
- https://openalex.org/W2012391043
- DOI
- 10.3844/jcssp.2011.1605.1611
References
- https://openalex.org/W1964029668
- https://openalex.org/W1967774292
- https://openalex.org/W1976063180
- https://openalex.org/W2000235381
- https://openalex.org/W2005251036
- https://openalex.org/W2082133475
- https://openalex.org/W2090310552
- https://openalex.org/W2110160227
- https://openalex.org/W2111416403
- https://openalex.org/W2111986911
- https://openalex.org/W2136103712
- https://openalex.org/W2142014597
- https://openalex.org/W2145062531
- https://openalex.org/W2148572945
- https://openalex.org/W2153590861
- https://openalex.org/W2154108332
- https://openalex.org/W2320186705
- https://openalex.org/W2327113111
- https://openalex.org/W3123817161