نوع مقاله : مقاله پژوهشی
نویسندگان
1 کارشناسی ارشد سنجش از دور و اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران
2 استادیار گروه نقشه‌برداری، دانشکده فنی مهندسی مرند، دانشگاه تبریز، تبریز، ایران
چکیده
کلیدواژه‌ها
عنوان مقاله [English]
نویسندگان [English]
Introduction:
As technology evolves in many countries around the world, the need for energy is increasing, which is especially important in developing countries such as Iran, because sustainable energy is needed to develop the process of sustainable development. Due to the geographical location of Iran and having a large number of sunny days, using solar power at the scale of the power plant helps provide sustainable energy. According to the radiation map provided by the Iranian New Energy Organization in East Azerbaijan province, there is enough potential to build a solar power plant. Due to the ability of neural networks to solve complex problems, the present study has used a combination of spatial decision-making system, GIS environment, and artificial neural networks to identify potential areas for solar power generation. The data used in the study include solar radiation, precipitation, sunshine hours, temperature, altitude, slope, LULC, distance from roads, and distance from cities. Based on these criteria, training data were obtained and trained using the Levenberg-Marquardt training algorithm of FFB, CFB, and MLP networks.
According to the results, the CFB network, with form 9,6,1 and RMSE values 0.084 and 0.061 for training and test data, was selected as the most suitable network and with the results obtained from this network, the location was determined. The results were classified into five classes, with about 15% identified as very favorable for the construction of photovoltaic solar power plants in East Azerbaijan Province.
Methodology:
In this research, we are looking for zoning of photovoltaic solar power plants using an artificial neural network in East Azarbaijan province. Since artificial neural networks need training data to perform the calculations, the criteria are weighted first through ANP, and then by using the weights obtained for the criteria, the training layer for network training is created. Using the training layer, all three FFB, CFB, and MLP neural networks have been trained to obtain the appropriate network and optimal structure.
Environmental criteria are selected based on the parameters of the construction of photovoltaic solar power plants. Given that the locating process is a multi-criteria decision problem between different parameters and criteria, therefore, the software must be selected that supports both the vector model and the raster model. It also can implement multi-criteria decision-making rules. Based on this, ArcGIS 10.6 software was used for data preparation, layer preparation, and integration. Super decision and Matlab software have also been applied to the process of analyzing network decision making and artificial neural networks.
Discussion:
The structure of neural networks is such that by changing the number of hidden layers and its neurons, the change of the stimulus function and training algorithm of the network structure is changed and affects the output of the model. Therefore, determining the optimal structure of the network is based on trial and error, and using the evaluation criteria and comparing the results, the optimal model is modeled with the least error. However, we should be careful that if the error rate is very close to zero in the evaluation of the training results, there is a possibility of over-fitting, which means that the network created will only be suitable for the training set and adding new data will not yield a satisfactory answer.
Matlab software was used to simulate the structures of different artificial neural networks and determine the optimal structure. For the present study, three FFB, CFB, and MLP neural networks with different structures have been created so that all three networks employ the Lonberg-Marquardt training algorithm with back-propagation error (trainlm). The number of neurons ranged from 1 to 15 and the number of repeats between 10 and 700. For the FFB and CFB networks, the tansig and purelin transfer functions and for the MLP network, the hardlim and hardlims transfer functions are investigated.
According to the simulations, the optimal CFB network structure is 9,6,1 with 9 input neurons and 6 middle neurons, with MSE and RMSE values for the training data 0.006, 0.084 and for the test data 0.004, 0.061, the optimal FFB network structure as 9,5,1 with 9 input neurons and 5 middle neurons, with MSE and RMSE values for training data 0.11, 0.107 and for test data 0.012, 0.111 and the optimal structure of the MLP network as 9,9,1 with 9 input neurons and 9 middle neurons, with MSE and RMSE values for the training data 0.007, 0.085 and for the test data 0.006, 0.079 have been selected. Based on these results, the CFB neural network with the structure of 9,6,1 has the best performance among the networks. For this reason, the photovoltaic solar power plants in East Azarbaijan province have been located with this network.
The final map was classified into five descriptive classes using the results obtained. According to the classification, about 7.7% were in the very undesirable class, 28.4% in the undesirable class, 27.6% in the middle class, 20.6% in the desirable class, and 15.5% were in the very desirable class.
Conclusion:
With the advancement of industry and the development of new technologies, population growth in many countries of the world has increased the consumption of electricity. Also, all developed and developing countries have realized the fact that to maintain their international status, they need to provide sustainable energy, especially electricity, from non-fossil energy sources. As societies become more aware, the limitations and harms of using fossil fuels have become more apparent, forcing countries to source some of their electricity needs from other energy sources, such as renewable energy sources. Iran, like all developing countries, is no exception. Due to the geographical location of Iran and having 300 sunny days, the use of solar energy in both large and small sectors contributes to sustainable energy supply.
In this study, the authors have tried to combine the existing methods for location namely the use of spatial decision-making systems and GIS, to use new methods such as artificial neural networks to identify potential areas for the construction of photovoltaic solar power plants in East Azarbaijan province. To accomplish this, based on the criteria for the construction and location of photovoltaic solar power plants, environmental factors include solar radiation, precipitation, sundial and temperature as climate criteria, elevation and slope as physical and land use criteria, distance from roads, and distance from cities are considered as economic criteria. Based on these criteria, training data was obtained through ANP, and along with this data, and LM training algorithm was performed to train FFB, CFB, and MLP networks.
Based on the MSE and RMSE evaluation criteria, the CFB network with the structure of 9,6,1 was selected as the most appropriate network and the results were obtained from this network. After preparing the final map, it was determined that solar photovoltaic power plants could be built in the province.
Keywords: Solar Energy, Location, Photovoltaic Solar Power Plants, ANN.
References:
- Allen, R. G., Bastiaanssen, W., Wright, J. L., Morse, A., Tasumi, M., & Trezza, R. (2002). Evapotranspiration from Satellite Images for Water Management and Hydrology Balances. Proceedings of the 2002 ICID Conference, Montreal, Canada.
- Anwar, Kh., & Deshmukh, S. (2018). Assessment and Mapping of Solar Energy Potential Using Artificial Neural Network and GIS Technology in the Southern Part of India. International Journal of Renewable Energy Research, 8(2), 974-985.
- Badde, D. S., Gupta, A. K., & Patki, V. K. (2013). Cascade and Feed Forward Back Propagation Artificial Neural Network Models for Prediction of Compressive Strength of Ready Mix Concrete. IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE), 3(1), 1-6.
- Chiu, M., & Lin, G. (2004). Collaborative Supply Chain Planning Using the Artificial Neural Network Approach. Journal of Manufacturing Technology Management, 8(15), 787-796.
- De Jesus, O., & Hagan, M. T. (2007). Backpropagation Algorithms for a Broad Class of Dynamic Networks. IEEE Transactions on Neural Networks, 18(1), 14 -27.
- Ferrero Bermejo, J., Gomez Fernandez, J. F., Olivencia Polo, F., & Crespo Márquez, A. (2019). A Review of the Use of Artificial Neural Network Models for Energy and Reliability Prediction. A Study of the Solar PV, Hydraulic and Wind Energy Sources. Journal of Applied Sciences, 9(9), 1844.
- Fu, P., & Rich, P.M. (2002). A Geometric Solar Radiation Model with Applications in Agriculture and Forestry. Journal of Computers and Electronics in Agriculture, 37(1-3), 25-35.
- Hankins, M. (2010). Stand-Alone Solar Electric Systems. London: Earthscan.
- Jani, D. B., Mishra, M., & Sahoo, P. K. (2017). Application of Artificial Neural Network for Predicting Performance of Solid Desiccant Cooling Systems, A Review. Journal of Renewable and Sustainable Energy Reviews, 80, 352-366.
- Kalogirou, S. A. (2001). Artificial Neural Networks in Renewable Energy Systems Applications: A Review. Journal of Renewable and Sustainable Energy Reviews, 5(4), 373-401.
- Keese, W. J., Pernell, R., Arthur, H., & James, D. (2003). A Consumer Guide a Photovoltaic Solar Electric System. California.
- Khorrami, B., & Valizadeh Kamran, Kh. (2016). Land Suitability Assessment for Locating Solar Farms Applying GIS. International Conference on Architecture, Urbanism, Civil Engineering, Art, Environment, ICAUCAE 2016, Tehran, Iran.
- Kim, E. Y., & Johnson, H. (2010, March). Multi-structure Segmentation of Multi-modal Brain Images Using Artificial Neural Networks. In Medical Imaging 2010: Image Processing (Vol. 7623, p. 76234B). International Society for Optics and Photonics.
- Kisi, Ö. (2004). Multi-Layer Perceptrons with Levenberg-Marquardt Training Algorithm for Suspended Sediment Concentration Prediction and Estimation. Hydrological Sciences Journal, 49(6), 1025-1040.
-Lee, A. H. I., Kang, H. Y., Lin, C. Y., & Shen, K.C. (2015). An Integrated Decision-Making Model for the Location of a PV Solar Plant. Sustainability Journal, 7(10), 13522-13541.
- Marquardt, D. W. (1963). An Algorithm for Least Squares Estimation of Non-Linear Parameters. Journal of the Society for Industrial and Applied Mathematics, 11(2), 431– 441.
- Pinar Akkas, O., Yasin Ertugrul, M., Cam, E., & Inanc, N. (2017). Optimal Site Selection for a Solar Power Plant in the Central Anatolian Region of Turkey. International Journal of Photoenergy, (2017), 13.
- Saaty, T. L. (2004). The Analytic Network Process Dependence and Feedback in Decision. Japan: IGI Global.
- Schmidhuber, J. (2015). Deep Learning in Neural Networks: An Overview. Journal of Neural Networks, 61, 85-117.
- Shahin, M. (2019). Determining Optimum Tilt Angles of Photovoltaic Panels by Using Artificial Neural Networks in Turkey. Technical Gazette, 26(3), 596-602.
- Sivaneasan, B., Yu, C.Y., & Goh, K. P. (2017). Solar Forecasting Using ANN with Fuzzy Logic Pre-Processing. Journal of Energy Procedia, 143, 727-732.
- Uyan, M. (2013). GIS-Based Solar Farms Site Selection Using Analytic Hierarchy Process (AHP) in Karapinar Region, Konya/Turkey. Journal of Renewable and Sustainable Energy Reviews, 28, 11-17.
کلیدواژه‌ها [English]
. مقدمه
استفاده از انرژی برای پیشرفت اقتصادی- اجتماعی و بهبود کیفیت زندگی بشر، امری اجتناب‌ناپذیر است (Lee et al., 2015: 13523) و تأمین این انرژی با نفت و سایر منابع طبیعی موجب ایجاد پیامدهای منفی برای محیط‌زیست به‌ویژه آسیب به آب‌وهوا، زمین و حیات وحش شده است. با توجه به این مسئله و افزایش آگاهی‌های زیست‌محیطی و نیاز روزافزون به انرژی در جهان، استفاده از منابع انرژی تجدیدپذیر و پاک، یک ضرورت تلقی میشود. براساس پژوهش‌های صورت‌گرفته انرژی خورشیدی، منبعی پاک، تجدیدپذیر و بی‌انتهاست (یزدان‌پناه و همکاران، 1389: 95) و همچنین مشکلات زیست‌محیطی را برطرف و به حفظ منابع ارزشمند طبیعی مانند نفت و گاز برای نسل‌های آینده کمک می‌کند؛ البته انرژی تابش خورشیدی رسیده به زمین در همه جای جهان یکسان نیست و در ناحیة کمربند خورشیدی زمین حداکثر است (تقوایی و صبوحی، 1396: 62). با در نظر گرفتن شرایط اقلیمی بخش‌های مختلف کشور ایران، به‌طور تقریبی %90 پهنة خاکی کشور در سال 300 روز آفتابی دارد (هاتفی اردکانی، 1393: 2).
یکی از مهم‌ترین کاربردهای انرژی خورشیدی، تبدیل انرژی خورشیدی بدون استفاده از سازوکارهای متحرک به انرژی الکتریکی با سیستم‌های فتوولتائیک است (Keese et al., 2003: 12) که این مزیت امکان استفاده از این نوع انرژی خورشیدی را در مقیاس‌های کوچک و بزرگ از حدود میلی‌وات تا چند مگاوات فراهم آورده است. همچنین، امکان احداث سیستم‌های فتوولتائیک نسبت به حالت‌های دیگر انرژی‌های تجدیدپذیر مانند انرژی باد، زمین‌گرمایی و... بسیار آسان است؛ به همین دلیل احداث نیروگاههای خورشیدی فتوولتائیک، راهی مناسب برای تأمین پایدار انرژی کشور است. در کنار این مزیت، انتخاب مناسبترین مکان‌های جغرافیایی برای بهره‌برداری از انرژی خورشیدی به عوامل و معیارهای اقلیمی، فنی و اقتصادی وابسته است؛ به‌طوری که هرقدر این عوامل بهینه‌سازی شوند، دریافت انرژی بیشتر و هزینه‌های اولیة سرمایه‌گذاری و بهره‌برداری کمتر میشود (Pinar Akkas et al., 2017: 1).
در این زمینه انور و دشموخ[1] (2018) پتانسیل خورشیدی را با استفاده از شبکة عصبی و تکنیک GIS[2] در بخش جنوبی هندوستان ارزیابی و استفاده از مدل شبکة عصبی مصنوعی را برای حل مسائل پیچیده بسیار کارآمد و مناسب معرفی کرده‌اند.
همچنین برمجو و همکاران[3] (2019) استفاده از شبکههای عصبی مصنوعی را برای پیش‌بینی پتانسیل منابع انرژی خورشیدی، آبی و بادی بررسی کرده‌اند و شبکههای عصبی را مدلی مطمئن برای بررسی منابع انرژی تشخیص داده‌اند.
تقوایی و صبوحی (1396) نیروگاههای خورشیدی را در استان اصفهان پهنهبندی و مکانیابی کردند و با استفاده از تکنیک تاپسیس[4] بهترین مکان را برای بهره‌برداری از انرژی خورشیدی، شهرستان‌های نایین و میمه در اولویت اول، شهرستان گلپایگان در اولویت دوم و شهرستان شهرضا در اولویت سوم تشخیص دادند.
تقی‌زاده مهرجردی و همکاران (1395) به مکانیابی شـوری خاک با اسـتفاده از داده‌های محیطی و نمونه‌برداری هایپرکیوب در شهرستان میبد اقدام کردند و به این نتیجه رسیدند که شبکة عصبی پرسپترون[5]، دقت خوبی برای چنین تحلیلی دارد.
خرمی و ولی‌زادة کامران (2016) تناسب اراضی را برای مکانیابی مزارع خورشیدی با GIS در استان خراسان رضوی ارزیابی کرده و با استفاده از تکنیک AHP[6] شهرستان‌های گناباد، فردوس و بشرویه را دارای پتانسیل زیاد برای بهره‌برداری از مزارع خورشیدی تشخیص داده‌اند.
سیوانسان و همکاران[7] (2017) تابش خورشیدی را با استفاده از شبکة عصبی مصنوعی (ANN)[8] با پیش‌پردازش منطق فازی[9] در کشور سنگاپور پیش‌بینی و با یک شبکة عصبی پیشرو[10] با پس‌انتشار خطا (BP)[11] تابش خورشیدی را مدل کرده‌اند. آنها علت استفاده از پیش‌پردازش منطق فازی را بهبود ضریب تصحیح خطا با هدف کاهش خطای پیش‌بینی بیان کرده‌اند.
در پژوهشی فلاح و همکاران (1394) نیروگاه خورشیدی استان مازندران را با تلفیق تحلیل شبکه‌ای (ANP)[12] و سیستم اطلاعات جغرافیایی مکانیابی کرده و پس از طبقه‌بندی و وزندهی با تکنیک ANP به این نتیجه رسیده‌اند که در حدود 96/4771 کیلومترمربع از مساحت استان مازندران امکان احداث نیروگاه خورشیدی وجود دارد.
عرب‌عامری و همکاران (1395) کاربرد شبکة عصبی پرسپترون چندلایه (MLP)[13] را در مکانیابی دفن پسماند جامد شهری با تأکید بر خصوصیات هیدروژئومورفیک در شهرستان فریدون‌شهر بررسی کرده و با استفاده از شاخص‌های آماری میانگین مربعات خطا، جذر میانگین مربعات خطا و ضریب تعیین، صحت‌سنجی مدل را انجام داده‌اند. بهترین دقت مدل %99 به دست آمده است که کارایی زیاد پرسپترون چند لایه را برای پهنهبندی نشان میدهد.
ناصحی و همکاران (1396) نیروگاه خورشیدی را با منطق فازی و ANP در استان هرمزگان مکانیابی و مناطق مناسب را شمال و شمال شرق هرمزگان معرفی کرده‌اند که شامل شهرهای حاجی‌آباد، فارغان و زیارت علی است.
نورالهی و همکاران (1398) پتانسیل بهره‌برداری از مزارع خورشیدی مبتنی بر فاکتورهای اقلیمی را در استان ایلام سنجیده‌اند. پژوهشگران با استفاده از تکنیک فرایند سلسله‌مراتبی فازی[14]به این نتیجه رسیده‌اند که بخش‌های مختلف این استان مانند موسیان، مرکزی دهلران، مرکزی مهران و مرکزی شیروان پتانسیل بسیار خوبی برای احداث مزارع خورشیدی دارند.
در جمع‌بندی پژوهش‌های پیشین می‌توان دریافت فعالیت‌های انجام‌شده در حوزة مکانیابی نیروگاههای خورشیدی در چهارچوب استفاده از سیستم‌های تصمیم‌گیری مکانی و محیط GIS است و از روش‌های نوین مانند شبکههای عصبی مصنوعی استفاده نشده است؛ روش‌هایی که توانایی تحلیل مسائل پیچیده را با معیارهای مختلف و تعداد داده‌های فراوان دارند؛ بنابراین در پژوهش حاضر برآنیم علاوه بر ارائة روشی ترکیبی از سیستم‌های تصمیم‌گیری مکانی، محیط GIS و شبکة عصبی مصنوعی، کارایی شبکههای عصبی FFB[15]، CFB[16] و MLP را برای مکانیابی نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی بررسی و آنها را مقایسه کنیم؛ سپس با استفاده از شبکة مناسب، مکانیابی نیروگاههای خورشیدی را انجام دهیم. در پژوهش‌های پیشین، مدل‌های مختلف کمتر مقایسه شده است؛ در حالی که مدل‌های گوناگون و پارامترهای هر مدل تأثیر بسزایی در نتایج دارد.
2. روش‌شناسی پژوهش
2.1. روش پژوهش
در پژوهش حاضر برای پهنهبندی نیروگاههای خورشیدی فتوولتائیک با استفاده از شبکة عصبی مصنوعی در استان آذربایجان شرقی اقدام شده است. با توجه به اینکه شبکههای عصبی مصنوعی برای انجام محاسبات نیازمند داده‌های آموزشی هستند، نخست با روشANP ، معیارها وزندهی و سپس با استفاده از وزنهای بهدستآمده، لایۀ آموزش برای آموزش شبکهها ایجاد شد. با استفاده از لایة آموزش، هر سه شبکة عصبی FFB، CFB و MLP آموزش داده شده‌اند تا شبکة مناسب و ساختار بهینه به دست آید.
معیارهای محیطی براساس پارامترها و ضوابط احداث نیروگاههای خورشیدی فتوولتائیک انتخاب شد. با در نظر گرفتن اینکه فرایند مکانیابی، یک مسئلة تصمیم‌گیری چندمعیاره از بین پارامترها و معیارهای مختلف است، باید نرم‌افزاری انتخاب شود که هم از مدل وکتوری و هم از مدل رستری پشتیبانی کند؛ علاوه بر این قابلیت اجرای قواعد تصمیم‌گیری چندمعیاره را نیز داشته باشد؛ بر این اساس از نرم‌افزار ArcGIS 10.6 برای آماده‌سازی داده‌ها، تهیه و تلفیق لایه‌ها استفاده شد؛ همچنین با توجه به فرایند کار با تحلیل تصمیم‌گیری شبکه‌ای و شبکههای عصبی مصنوعی به ترتیب از نرم‌افزارهایSuper Decision و Matlab استفاده شد.
3. مفاهیم نظری پژوهش
3.1. فرایند تحلیل شبکه‌ای (ANP)
فرایند تحلیل شبکه‌ای، یکی از تکنیک‌های تصمیم‌گیری چندمعیاره است که برای نخستین‌بار در سال 1996 میلادی شخصی به نام توماس ال ساتی[17] مطرح کرده است. ANP، شکل توسعه‌یافتة فرایند سلسله‌مراتبی است که قادر است ارتباط پیچیدة بین عوامل تصمیم را با استفاده از مدل شبکه‌ای به جای مدل سلسه‌مراتبی تحلیل کند (Saaty, 2004: 3)؛ به همین دلیل اصلی‌ترین تفاوت میان ANP و AHP در نحوة اثرگذاری معیارها بر یکدیگر است (زبردست، 1389: 80). در ساختار سلسله‌مراتبی، نخست هدف، سپس معیارها که امکان دارد زیرمعیارهایی داشته باشند و بعد گزینه‌ها مطرح میشود؛ بنابراین در این مدل، یک ساختار خطی نزولی (بالا به پایین) و بدون بازگشت صعودی (پایین به بالا) وجود دارد؛ اما در حالت ANP، شبکه و خوشه‌ها توزیع منظمی ندارند؛ علاوه بر این هر خوشه امکان تأثیرپذیری از خودش یا اثرگذاری بر سایر خوشه‌ها و همچنین برگشت مستقیم از خوشة بعدی یا گذر از خوشه‌های میانه را دارد (ناصحی و همکاران، 1396: 4)؛ (شکل 1).
شکل 1. مقایسة ساختار سلسله‌مراتبی و شبکه‌ای (نویسندگان، 1399)
Figure 1. Comparison of hierarchical and network structure (Authors, 2020)
3.2. شبکة عصبی مصنوعی
شبکة عصبی مصنوعی به‌طور گسترده برای حل مسائل پیچیده و غیرخطی استفاده میشود (Kalogirou, 2001: 3). اگر از این شبکهها برای حل مسائل پیچیده استفاده نشود، کدهای رایانه‌ای و الگوریتم‌های تحلیلی لازم خواهد بود. برای اجرای این کدها و الگوریتم‌ها، علاوه بر زمان طولانی به رایانه‌هایی با سرعت و عملکرد زیاد نیاز است؛ به همین دلیل استفاده از الگوریتم شبکة عصبی به تعدیل این مشکلات کمک می‌کند (Sivaneasan et al., 2017: 728).
مطالعات مربوط به شبکة عصبی مصنوعی از اوایل قرن بیستم شروع شده و تاکنون به سرعت توسعه یافته است. شبکة عصبی مصنوعی، یک مدل محاسباتی و شاخه‌ای از هوش مصنوعی است که بر ساختار و عملکرد شبکههای عصبی بیولوژیکی مبتنی است (Anwar and Deshmukh, 2018: 977). این شبکهها توانایی یادگیری دارند؛ به‌طوری که این یادگیری را برای محاسبات بعدی ذخیره‌سازی و برای مجموعه داده‌های ورودی فراخوانی و با دقت زیادی پیش‌بینی می‌کنند و آن را تعمیم می‌دهند (Jani et al., 2017: 358). یکی از ویژگی‌های منحصربه‌فرد شبکههای عصبی، برقراری نوعی ارتباط مجزا بین پارامترهای ورودی است که براساس این رابطه، وزن هر پارامتر را به دست می‌آورند.
اجزای اصلی یک شبکة عصبی استاندارد واحد ورودی، واحد پردازشی (نرون‌ها یا گرهها و اتصالات) و واحد خروجی است. هر سة این مؤلفه‌ها در بعضی از لایه‌ها قرار می‌گیرند که به ترتیب عبارت‌اند از: لایة ورودی[18]، لایه(های) پنهان[19] و لایة خروجی[20] . لایة ورودی وظیفة توزیع مقادیر ورودی را به لایة بعدی دارد و هیچ‌گونه تأثیری بر ورودی‌ها ندارد. لایة خروجی پاسخ تولیدشده برای ورودی‌ها را ارائه میدهد. تعداد نرون‌ها در لایة ورودی و لایة خروجی با تعداد ورودی‌ها و خروجی‌ها برابر است. لایه یا لایههای پنهان وظیفة پردازش و ارتباط بین لایة ورودی و خروجی را بر عهده دارد. تعداد نرون‌ها و لایه‌ها در لایة پنهان به نوع و پیچیدگی مسئلة بستگی دارد. نرون‌ها در شبکة عصبی مصنوعی، سیستم‌های پیچیده‌ای هستند که مانند نرون‌های بیولوژیکی با اتصالات هندسی مختلف به هم متصل می‌شوند. این سیستم‌ها می‌کوشند مسائل حل‌نشدنی با روش کلاسیک را با استفاده از سیستم کاری مغز حل کنند (Shahin, 2019: 597) و درواقع هر نرون یک عنصر محاسبه‌کننده (پردازشگر) با یک یا چند ورودی و یک خروجی است. شکل 2 ساختار یک نرون مصنوعی را نمایش میدهد که شامل سه بخش وزنها، ورودی و تابع محرک است (Jesus & Hagan, 2007: 21).
شکل 2. ساختار نرون مصنوعی در شبکة عصبی (فروتن و همکاران، 1390: 18)
Figure 2. The structure of artificial neurons in the neural network (Froutan et al., 2011: 18)
برای انتقال خروجی‌های حاصل‌شده از هر لایه به لایههای بعد، از توابع فعال‌ساز (توابع محرک) استفاده میشود (دهقانی و همکاران، 1389: 55). توابع محرک انواع متفاوتی دارند که از معروف‌ترین و پرکاربردترین آنها تابع خطی، تابع لگاریتم سیگموئید (تابع سیگموئید)، تابع تانژانت سیگموئید (تابع تانژانت هیپربولیک) و... است (Chiu & Lin, 2004: 789)؛ (شکل 3).
|
الف- تابع خطی |
ب- تابع سیگموئید |
ج- تابع تانژانت هیپربولیک |
شکل 3. توابع محرک معروف (گلابی و همکاران، 1392: 158)
Figure 3. The known actuator functions (Golabi et al., 2013: 158)
3.3. شبکة عصبی پیشرو با پس‌انتشار خطا (Feed-forward backpropagation)
شبکة عصبی پیشرو، نخستین و ساده‌ترین نوع شبکة عصبی مصنوعی ابداع‌شده است (Schmidhuber, 2015: 86). اتصال نرون‌ها در این شبکه به این صورت است که تمام نرون‌های لایة ورودی به نرون‌های لایة پنهان و تمام نرون‌های لایة پنهان به نرون‌های لایة خروجی متصل است. برای یادگیری شبکههای عصبی پیشرو از الگوریتم پس‌انتشار خطا استفاده میشود که طی این الگوریتم، نرون‌ها وزن خود را برای به‌دست‌آوردن دانش جدید انطباق می‌دهند (Badde et al., 2013: 2- 3).
یادگیری در FFNN با BP در طول مرحلة آموزش روی میدهد که در آن هر الگوی ورودی از مجموعه آموزش به لایة ورودی اعمال میشود و بعد به جلو انتشار می‌یابد؛ سپس الگوی فعال‌سازی رسیده به لایة خروجی با الگوی صحیح خروجی مقایسه میشود تا سیگنال خطا محاسبه شود. سیگنال خطا برای هر الگوی خروجی هدف از لایة خروجی به نرون‌های ورودی به‌منظور تنظیم وزن لایه‌ها در شبکه به عقب انتشار می‌یابد. پس از مرحلة آموزش، شبکة عصبی نحوة طبقه‌بندی درست را برای مجموعه‌ای از ورودی‌ها یاد می‌گیرد که از آن در مجموعة ثانویه از نمونه‌ها (مجموعه تست) برای بررسی میزان دقت طبقه‌بندی الگوهای جدید استفاده میشود؛ بنابراین در استفاده از یادگیری پس‌انتشار خطا، میزان دقت تعمیم شبکه اهمیت دارد. شکل 4 ساختار یک شبکة عصبی پیشرو با پس‌انتشار خطا را نشان میدهد.
شکل 4. شبکۀ عصبی پیشرو با پس انتشار خط(Kim & Johnson, 2010: 14)
Figure 4. Feed-forward backpropagation neural network (Kim & Johnson, 2010: 14)
3.4. شبکة عصبی آبشاری پیشرو با پس‌انتشار خطا (Cascade-forward backpropagation)
شبکة عصبی آبشاری پیشرو با پس‌انتشار خطا که در شکل 5 نشان داده شده، در نحوة استفاده از الگوریتم BP برای به‌روزرسانی وزنها شبیه FFB است؛ اما از لحاظ اتصالات شبکه، در CFB یک اتصال وزنی اضافی از لایۀ ورودی به لایههای پیشِ رو وجود دارد.
شکل 5. شبکۀ عصبی آبشاری با پس انتشار خطا (نویسندگان، 1399)
Figure 5. Cascade-forward backpropagation neural network (Authors, 2020)
3.5. شبکة عصبی پرسپترون چندلایه (Multi-layers perceptron)
شبکة عصبی پرسپترون چندلایه، یک کلاس از شبکة عصبی پیشرو است که هر نرون در یک لایه به نرون‌های لایة بعد متصل شده است. برای یادگیری MLP مانند شبکههای چندلایه، الگوریتم‌های یادگیری گوناگونی استفاده میشود که یکی از معمول‌ترین آنها، الگوریتم پس‌انتشار خطاست. در پژوهش حاضر نیز از این الگوریتم استفاده شده است.
3.6. الگوریتم‌های آموزش در شبکههای عصبی مصنوعی
یکی از توانایی‌های شبکههای عصبی، توانایی یادگیری است که این امر با داده‌های آموزش و الگوریتم‌های آموزش حاصل میشود. برای آموزش شبکههای عصبی، الگوریتم‌های آموزش مختلفی مانند گرادیان کاهشی (GD)[21]، گرادیان کاهشی با ممتم (GDM)[22]، لونبرگ- مارکوارت (LM)[23]، روش نیوتن[24] و... وجود دارد که این روش‌ها ازلحاظ سرعت و میزان حافظة مورد نیاز نسبت به هم برتری و با یکدیگر تفاوت دارند.
الگوریتم آموزش LM برای همگرایی به جواب مطلوب از ترکیبی از روش‌های گرادیان کاهشی و گاوس- نیوتن[25] استفاده می‌کند و با سرعت زیادی به جواب نهایی همگرا میشود و یکی از الگوریتم‌های آموزشی مؤثر برای مدل‌سازی شبکههای عصبی است؛ به همین دلیل در این پژوهش از این الگوریتم برای آموزش شبکهها استفاده شده است.
الگوریتم LM یک تقریب برای روش نیوتن است (Marquardt, 1963: 435). اگر تابع نسبت به پارامتر بردار مینیمم شده باشد، روش نیوتن به‌صورت رابطة 1 تعریف میشود (Kisi, 2004: 1027- 1028):
|
(1) |
در این رابطه، ماتریس هیسن[26]، گرادیان (شیب) و وزنهای شبکة عصبی است. اگر به‌صورت رابطة 2 تعریف شود:
|
(2) |
آنگاه و به ترتیب به‌صورت روابط 3 و 4 نوشته میشود:
|
(3) |
|
(4) |
در روابط 3 و 4، ماتریس ژاکوبین و بردار خطاست و به‌صورت رابطة 5 تعریف میشود:
|
(5) |
برای روش گاوس- نیوتن فرض بر این است که است؛ در این حالت رابطة 1 به‌صورت رابطة 6 نوشته میشود:
|
(6) |
با تغییر و اصلاح وزنها، روش لونبرگ- مارکوارت به‌صورت روش گاوس- نیوتن در نظر گرفته میشود که به‌صورت رابطة 7 تعریف میشود:
|
(7) |
در رابطة 7، عددی است که با افزایش یا کاهش آن روند آموزش کنترل میشود؛ یعنی زمانی که مقدار خیلی بزرگ است، رابطة بالا به روش گرادیان کاهشی با شیب تند تبدیل میشود و زمانی که مقدار کاهش می‌یابد، رابطة بالا همان روش گاوس- نیوتن است. روش گاوس- نیوتن، الگوریتم آموزش است که با سرعت زیادی به جواب نهایی همگرا میشود.
3.7. معیارهای ارزیابی عملکرد شبکهها
هدف از میزان یادگیری و عملکرد شبکه این است که شبکة مدنظر تا چه اندازه به ورودی‌هایی که با آنها تحت آموزش قرار گرفته است و به ورودی‌های جدیدی که در مجموعة آموزشی نیستند، جواب مناسبی ارائه میدهد (دهقانی و همکاران، 1389: 57- 58)؛ به همین منظور در این پژوهش برای ارزیابی عملکرد شبکهها و انتخاب مناسبترین شبکه و ساختار، از میانگین مربعات خطا (MSE)[27] و جذر میانگین مربعات خطا (RMSE)[28] استفاده شده است. روابط ریاضی این پارامترها به‌صورت روابط 8 و 9 تعریف میشود (خداپرست شیرازی و صادقی، 1395: 155).
|
(8) |
||
|
(9) |
||
در روابط 8 و 9، تعداد کل مشاهدات برای دورة پیش‌بینی، ارزش پیش‌بینی‌شده در زمان و ارزش واقعی در زمان را نشان میدهد. بدیهی است هرچه مقدار خطا به صفر نزدیک‌تر باشد، دقت زیاد جواب‌ها را در هر مرحله نشان میدهد.
3.8. معرفی داده‌ها
داده‌های استفاده‌شده در این پژوهش شامل تابش خورشیدی، بارش، ساعت آفتابی و دما به‌مثابة معیارهای اقلیمی، ارتفاع و شیب زمین به‌مثابة معیارهای فیزیکی و کاربری اراضی، فاصله از جادهها و فاصله از شهرها به‌مثابة معیارهای اقتصادی است. لایة تابش خورشیدی و شیب زمین در محیط GIS و لایة ارتفاعی از مدل رقومی ارتفاع (DEM)[29] با داده‌های شاتل راداری SRTM[30] تهیه شده است. لایههای دما، بارش و ساعت آفتابی از داده‌های ایستگاههای سینوپتیک و لایههای کاربری اراضی، دسترسی به جادهها و موقعیت شهرها از داده‌های آمایش سرزمین تهیه شده است.
4. منطقة پژوهش
استان آذربایجان شرقی در شمال غرب ایران واقع شده است. این استان ازنظر موقعیت جغرافیایی بین نصف النهار 45 درجه و 25 دقیقه تا 47 درجه و 45 دقیقه طول شرقی و مدارات 36 درجه و 46 دقیقه تا 38 درجه و 43 دقیقه عرض شمالی قرار گرفته است. این استان با وسعت 88/45490 کیلومترمربع، 7/2 درصد از مساحت کشور را دربرگرفته و از این نظر یازدهمین استان کشور است (شکل 6).
.
شکل 6. نقشة موقعیت منطقة مطالعه‌شده (نویسندگان، 1399)
Figure 6. Location of the studied area (Authors, 2020)
آب‌وهوای استان به گونه‌ای است که میانگین بارندگی‌های سالانه، 330 میلی‌متر و میانگین دمای سالانه، 2/12 درجة سانتی‌گراد و ساعات آفتابی براساس تابش سالانة خورشید، حدود 2400- 3100 ساعت است.
استان آذربایجان شرقی به دلیل داشتن صنایع بزرگ جزو استان‌های صنعتی کشور محسوب میشود. برای تأمین انرژی این صنایع، دو نیروگاه حرارتی تبریز و سهند به ترتیب با ظرفیت تولید 700 و 650 مگاوات و دو نیروگاه گازی تبریز و صوفیان به ترتیب با ظرفیت تولید 64 و 100 مگاوات وجود دارند که درمجموع حدود 1500 مگاوات برق تولید می‌کنند که سهم زیادی در تولید انرژی الکتریکی کشور است.
براساس نقشة تابشی تهیه‌شده برای کشور توسط ساتبا (سازمان انرژی‌های تجدیدپذیر و بهره‌وری انرژی برق)، در استان آذربایجان شرقی، متوسط پتانسیل تابش خورشیدی برآوردشده بین 5/3 تا 5/4 کیلووات ساعت بر مترمربع است که با توجه به چنین پتانسیلی، فقط یک نیروگاه خورشیدی با ظرفیت 100 کیلووات در تبریز در سال 1397 به بهره‌برداری رسیده است.
5. یافته‌های پژوهش
5.1. اولویتبندی معیارها
با بررسی و مطالعة منابع گوناگون درزمینة معیارهای پهنهبندی نیروگاههای خورشیدی، این معیارها در سه کلاس اقلیمی، اقتصادی و فیزیکی شناسایی شده‌اند (تقوایی و صبوحی، 1396: 69). در این پژوهش ما معیارهای تابش خورشیدی، ساعت آفتابی، بارش و دما را به‌مثابة معیارهای اقلیمی، ارتفاع و شیب زمین را به‌مثابة معیارهای فیزیکی و کاربری اراضی، فاصله از جادهها و فاصله از شهرها را به‌مثابة معیارهای اقتصادی بررسی کرده‌ایم تا اولویت‌های مکانی برای احداث نیروگاههای خورشیدی فتوولتائیک در سطح استان شناسایی شوند. محدودیت‌های اعمال‌شده در پنج کلاس توصیفی بسیار نامطلوب، نامطلوب، متوسط، مطلوب و بسیار مطلوب اولویتبندی شده‌اند که به ترتیب با اعداد 1 تا 5 در جدول 1 نشان داده شده است.
جدول 1. اولویتبندی و وزنهای محاسبه‌شدة معیارها با استفاده از روش ANP (نویسندگان، 1399)
Table 1. Prioritization and calculated weights of criteria using ANP method (Authors, 2020)
|
هدف |
کلاس |
وزن |
معیار |
وزن |
زیرمعیار |
اولویت |
|
شناسایی مناطق بهینه برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی |
اقلیمی |
663/0 |
ساعت آفتابی [h] |
275/0 |
2400 2400-2650 2650-2800 2800-2950 2950-3100 |
1 2 3 4 5 |
|
بارش [mm] |
196/0 |
250 > 350 – 250 450 – 350 550 - 450 550 < |
5 4 3 2 1 |
|||
|
تابش خورشیدی [ ] |
155/0 |
1/1 > 4/1 – 1/1 7/1 – 4/1 2 – 7/1 2 < |
1 2 3 4 5 |
|||
|
دما [C] |
037/0 |
3 > 6 – 3 9 – 6 12 – 9 15 – 12 |
1 2 3 5 4 |
|||
|
فیزیکی |
105/0 |
ارتفاع [m] |
065/0 |
1200 > 1800 – 1200 2400 – 1800 3000 – 2400 3000 < |
2 5 4 3 1 |
|
|
شیب زمین [degree] |
040/0 |
3 – 0 6 – 3 9 – 6 12 – 9 12 < |
5 4 3 2 1 |
ادامة جدول 1
|
هدف |
کلاس |
وزن |
معیار |
وزن |
زیرمعیار |
اولویت |
|
|
اقتصادی |
232/0 |
فاصله از شهرها [km] |
069/0 |
7 – 4 14 – 7 20 – 14 27 – 20 27 < |
3 5 4 2 1 |
|
کاربری اراضی |
103/0 |
بایر مراتع ضعیف دیم زراعی مراتع خوب |
5 4 3 2 1 |
|||
|
فاصله از جادهها [km] |
060/0 |
2 – 0 4 – 2 6 – 4 8 – 6 8 < |
5 4 3 2 1 |
براساس نتایج حاصل‌شده در جدول 1، معیار ساعت آفتابی بیشترین وزن را به خود اختصاص داده است؛ علت آن این است که در مناطقی امکان احداث نیروگاههای فتوولتائیک خورشیدی وجود دارد که تابش خورشیدی زیاد و بارش کمی داشته باشند و عامل تأثیرگذار بر تابش خورشیدی، ساعت آفتابی و بارش است؛ به همین دلیل ساعت آفتابی، بارش و تابش خورشیدی به ترتیب در رتبه‌های اول تا سوم قرار گرفته‌اند. چهارمین رتبه به کاربری اراضی مربوط است؛ زیرا در احداث نیروگاههای خورشیدی به زمین‌های وسیع نیاز است و نباید این نیاز، اراضی کشاورزی، باغی، مناطق حفاظت‌شده و... را تخریب کند. نیروگاههای فتوولتائیک مانند سایر نیروگاهها برای اتصال به شبکة سراسری برق نیازمند دسترسی به پست‌های برق و خطوط انتقال نیرو هستند؛ از سویی پست‌ها در نزدیکی شهرها و ارتفاع دردسترس تأسیس می‌شوند و خطوط انتقال نیرو تا حد امکان به‌موازات جاده‌های اصلی احداث شده‌اند؛ به همین دلیل معیارهای فاصله از شهرها، ارتفاع و فاصله از جادهها به ترتیب در رتبه‌های پنجم تا هفتم قرار گرفته‌اند. با توجه به اینکه معیار فاصله از جادهها در رتبه‌بندی معیارها وجود دارد، معیار شیب زمین در رتبة هشتم قرار گرفته است و علت استفاده از این معیار، بررسی امکان فعالیت مناسب و ایمن ماشین‌آلات است. معیار دما ازلحاظ تأثیرگذاری بر بازده پنل‌های خورشیدی بررسی شده و در رتبة نهم قرار گرفته است.
5.2. تهیه و مستندسازی لایه‌ها
برای آماده‌سازی داده‌ها و معیارهای استفاده‌شده در پژوهش، آنها را به محیط GIS وارد می‌کنیم تا از این راه تغییرات لازم را در فرمت داده‌ها، محدودیت‌ها و اولویت‌های در نظر گرفته شده در جدول 1 اعمال کنیم. نتیجة حاصل از اعمال تغییرات و محدودیت‌ها در شکل 7 نشان داده شده است.
|
الف- ساعت آفتابی سالانه |
ب- میانگین سالانۀ بارش |
پ- میانگین سالانۀ انرژی تابشی خورشید |
|
ت- میانگین سالانۀ دما |
ث- ارتفاع |
ج- شیب زمین |
|
چ- فاصله از شهرها |
ح- کاربری اراضی |
خ- فاصله از جادهها |
شکل 7. نقشۀ اولویتبندی شدۀ معیارها (نویسندگان، 1399)
Figure 7. Prioritized Map of Criteria (Authors, 2020)
5.2.1. ساعت آفتابی
ساعت آفتابی، یکی از عوامل اقلیمی مهم است که هنگام امکان‌سنجی برای احداث نیروگاههای خورشیدی فتوولتائیک مدنظر قرار می‌گیرد؛ البته این پارامتر خود متأثر از عرض جغرافیایی، ارتفاع، میزان ابرناکی و آلودگی شدید هواست؛ به‌طوری که 70 درصد از تغییرات تعداد ساعات آفتابی در سال براساس عرض جغرافیایی و ارتفاع توجیه‌پذیر است؛ یعنی به‌ازای هر درجه افزایش عرض جغرافیایی، تقریباً 86 ساعت از میزان ساعات آفتابی در سال کاهش می‌یابد و به‌ازای هر متر افزایش ارتفاع، حدود 35/0 ساعت به میزان ساعات آفتابی در سال اضافه میشود (مجرد و مرادی، 1393: 161). در شکل 7-الف، مقادیر نرمالشدة ساعات آفتابی سالانة استان نشان داده شده است.
5.2.2. بارش
در مناطقی که نزولات جوّی زیاد است، میزان ابرناکی نیز بیشتر خواهد بود. این امر علاوه بر افزایش رطوبت، موجب افزایش ذرات معلق در اتمسفر آن مناطق میشود که به افزایش جذب و انعکاس انرژی موج کوتاه خورشید خواهد انجامید؛ به‌طوری که ابرها به‌طور میانگین 21 درصد از کل انرژی موج کوتاه خورشید را بازمی‌گردانند (تقوایی و صبوحی، 1396: 74). مقادیر نرمالشدة میانگین سالانة بارش استان در شکل 7-ب نشان داده شده است.
5.2.3. تابش خورشیدی
براساس مطالعات انجام‌شده در سازمان انرژی‌های نو ایران و با توجه به استانداردهای جهانی، اگر متوسط انرژی تابشی خورشید در طول روز بیش از 5/3 کیلووات ساعت در مترمربع باشد (تقوایی و صبوحی، 1396: 69)، امکان احداث نیروگاههای خورشیدی توجیه اقتصادی خواهد داشت؛ به همین دلیل در این پژوهش از تابع Area Solar Radiation برای به‌دست‌آوردن میانگین سالیانة انرژی خورشیدی استفاده شده است تا با تهیة این لایه تحلیل مناسبی در مکانیابی صورت گیرد (شکل 8). تابع Area Solar Radiation از رابطة 10 برای به‌دست‌آوردن میانگین سالیانة انرژی خورشیدی بهره می‌برد.
|
(10) |
در رابطة 10 ، از مجموع تابش مستقیم و تابش پراکنده برحسب وات ساعت بر مترمربع محاسبه میشود که مقادیر تابش مستقیم و تابش پراکنده به ترتیب مطابق با روابط 11 و 12 به دست می‌آید (Fu and Rich, 2002: 27-30):
|
(11) |
|
(12) |
در رابطة 11 ، ثابت خورشیدی با مقدار عددی W/m2 1368، ، ضریب شفافیت اتمسفری، ، نسبت طول مسیر نوری (رابطة 13)، ، زمان حضور خورشید در آسمان، ، گپ نقشة خورشید و ، زاویة برخورد اشعة خورشیدی (رابطة 14) است.
نسبت طول مسیر نوری ، با زاویة زنیت خورشید و ارتفاع از سطح دریا تعیین میشود که زاویه‌های زنیت کمتر از 80 درجه از رابطة 13 به دست می‌آید.
|
(13) |
اثر جهات سطح زمین بر تابش دریافتی از حاصل‌ضرب کسینوس زاویة برخورد تعیین میشود؛ به‌طوری که زاویة برخورد ، بین سطح حائل و آسمان با زاویة زنیت و زاویة آزیموت ، نسبت به مرکز با رابطة 14 محاسبه میشود.
|
(14) |
|
در رابطة 12 ، تابش جهانی (رابطة 15)، ، نسبت پراکندگی شار تابش جهانی خورشید، ، بازة زمانی تحلیل، ، گپ نقشة آسمان و ، نسبت تابش پراکنده (روابط 16 و 17) است.
مقدار تابش جهانی ، بدون اصلاح زاویة برخورد و سپس با اصلاح نسبت تابش مستقیم براساس رابطة 15 محاسبه میشود.
|
(15) |
نسبت تابش پراکنده ، برای مدل‌های پراکندگی یکنواخت و غیریکنواخت به ترتیب با رابطة 16 و 17 محاسبه میشود.
|
(16) |
|
(17) |
در روابط 16 و 17، و زوایای زنیت در محدودة یک بخش نقشة آسمان و ، تعداد تقسیمات زاویة آزیموت در نقشة آسمان است.
در شکل 7-پ مقادیر نرمالشدة میانگین سالانة انرژی تابشی خورشید استان نشان داده شده است.
شکل 8. نقشة میانگین سالیانة انرژی تابشی خورشید در استان آذربایجان شرقی (نویسندگان، 1399)
Figure 8. Annual map of average solar radiation energy in East Azerbaijan province
(Authors, 2020)
5.2.4. فاصله از شهرها
برای اینکه برق تولیدشده به دست مصرف‌کنندگان برسد، باید نیروگاهها به شبکة سراسری برق متصل شوند. اتصال نیروگاهها به شبکة سراسری برق با پست‌های برق انجام میشود و نیروگاههای خورشیدی فتوولتائیک نیز از این قضیه مستثنی نیستند. با توجه به اینکه در نزدیکی شهرها پست‌های برق برای تأمین برق شهرها تأسیس شده‌اند، فاصله از شهرها در مکانیابی از معیارهای مهم به شمار می‌آید. مقادیر نرمالشدة فاصله از شهرهای استان در شکل 7-چ نشان داده شده است.
5.2.5. کاربری اراضی
در این پژوهش اراضی به‌شدت فرسوده و نامرغوب، مراتع ضعیف و شنزارها به‌مثابة مناطق بسیار مطلوب و مطلوب در نظر گرفته شده‌اند. این دسته‌بندی در استان به‌صورت نرمال‌شده در شکل 7-ح به ترتیب با اعداد 5 و 4 ارزش‌گذاری شده است.
5.2.6. ارتفاع
هرقدر ارتفاع از سطح دریا بیشتر شود، ضخامت اتمسفری کمتر میشود و به همین دلیل میزان جذب و انعکاس انرژی موج کوتاه خورشید نیز کمتر است. در پژوهش حاضر ارتفاع 1200 تا 2400 متر در دو اولویت با اهمیت زیاد به همراه سایر اولویت‌های ارتفاعی استان در شکل 7-ث نشان داده شده است.
5.2.7. فاصله از جادهها
ساخت جاده‌های مواصلاتی جدید با هدف حمل تجهیزات هزینة زیادی دارد (نورالهی و همکاران، 1398: 17)؛ به همین علت هرچقدر سطح دسترسی به جادهها بیشتر باشد، امکان انتقال تجهیزات مورد نیاز به سایت نیروگاه افزایش و هزینة ساخت کاهش می‌یابد. در شکل 7-خ مقادیر نرمالشدة فاصله از جاده‌های استان نشان داده شده است.
5.2.8. شیب زمین
شیب زمین در احداث نیروگاههای خورشیدی فتوولتائیک ازلحاظ دسترسی به سایت نیروگاه و امکان فعالیت اجرایی ماشین‌آلات مهم است و تأثیری بر نصب و بهره‌برداری از پنل‌های خورشیدی ندارد؛ زیرا این پنل‌ها روی سازه‌های فلزی نصب می‌شوند که شیب مورد نیاز برای برخورد عمودی پرتوهای خورشیدی با این سازه‌ها تنظیم میشود. شیب نرمالشدة استان در شکل 7-ج نشان داده شده است.
5.2.9. دما
نیروگاههای خورشیدی فتوولتائیک نور خورشید را به‌صورت مستقیم به انرژی الکتریکی تبدیل می‌کنند و این تصور غلط است که هرچقدر دمای محیط بیشتر باشد، محل مناسبی برای احداث چنین نیروگاههایی خواهد بود؛ زیرا ولتاژ و جریان پنل که نشان‌دهندة توان خروجی است، با دمای محیط نسبت عکس دارد؛ به بیانی با هر 1 درجه افزایش دمای پنل خورشیدی از دمای 25 درجه، میزان انرژی تولیدی در بازة 4/0 تا 5/0 درصد کاهش می‌یابد (Uyan, 2013: 13). میانگین سالانة دمای استان به‌صورت نرمال‌شده در شکل 7-ت نشان داده شده است.
5.3. نتایج مبتنی بر به‌کارگیری شبکة عصبی مصنوعی
با توجه به اینکه آموزش شبکههای عصبی نیازمند دادة آموزش است، برای به‌دست‌آوردن مکان‌های مطلوب و بسیار مطلوب نخست با استفاده از ANP، معیارها اولویتبندی و وزندهی شد. اوزان محاسبه‌شده در جدول 1 آورده شده است؛ سپس لایه‌ها با هم تلفیق و از بین 45983 رکورد، 7427 رکورد به‌مثابة مناطق مطلوب و بسیار مطلوب برای آموزش و ارزیابی شبکههای مختلف استفاده شد.
ساختار شبکههای عصبی به گونه‌ای است که با تغییر تعداد لایههای پنهان و نرون‌های آن، تغییر تابع محرک و الگوریتم آموزش، ساختار شبکه تغییر می‌کند و بر خروجی مدل تأثیر می‌گذارد؛ بنابراین تعیین ساختار بهینة شبکه مبتنی بر سعی و خطاست و با استفاده از معیارهای ارزیابی و مقایسة نتایج به دست می‌آید؛ به‌طوری که مدل بهینه، مدلی است که کمترین خطا را داشته باشد. البته باید دقت داشته باشیم که اگر در ارزیابی نتایج آموزش مقدار خطا خیلی به مقدار صفر نزدیک شود، امکان بیش‌برازش[31] وجود دارد و این یعنی شبکة ایجادشده فقط برای مجموعة آموزش مناسب خواهد بود و با اضافه‌کردن داده‌های جدید، جواب مطلوبی حاصل نخواهد شد.
برای شبیه‌سازی ساختارهای شبکههای عصبی مصنوعی مختلف و تعیین ساختار بهینه از نرم‌افزار Matlab استفاده شده است. با توجه به هدف پژوهش حاضر، سه شبکة عصبی FFB، CFB و MLP با ساختارهای متفاوت ایجاد شده‌اند؛ به گونه‌ای که در هر سه شبکه از الگوریتم آموزش لونبرگ- مارکوارت با پس‌انتشار خطا (trainlm)، تعداد نرون از 1 تا 15 و تعداد تکرار بین 10 تا 700 بررسی شده است. برای شبکههای FFB و CFB، توابع محرک tansig و purelin و برای شبکة MLP، توابع محرک hardlim و hardlims بررسی شده است. نتایج حاصل از عملکرد شبکهها در شکل 9 آورده شده است.
|
الف: مقادیر RMSE شبکههای عصبی |
|
|
ب: مقادیر MSE شبکههای عصبی |
|
شکل 9. مقایسۀ نتایج شبکههای عصبی با ساختارهای متفاوت (نویسندگان، 1399)
Figure 9. Comparison of neural network results with different structures (Authors, 2020)
براساس شکل 9، ساختار بهینة شبکة CFB به‌صورت 9، 6، 1 با 9 نرون ورودی و 6 نرون میانی، با مقادیر MSE و RMSE برای داده‌های آموزش به ترتیب 006/0، 084/0 و برای داده‌های تست به ترتیب 004/0، 061/0، ساختار بهینة شبکة FFB به‌صورت 9، 5، 1 با 9 نرون ورودی و 5 نرون میانی، با مقادیر MSE و RMSE برای داده‌های آموزش به ترتیب 011/0، 107/0 و برای داده‌های تست به ترتیب 012/0، 111/0، ساختار بهینة شبکة MLP به‌صورت 9، 9، 1 با 9 نرون ورودی و 9 نرون میانی، با مقادیر MSE و RMSE برای داده‌های آموزش به ترتیب 007/0، 085/0 و برای داده‌های تست به ترتیب 006/0، 079/0 انتخاب شده‌اند. با توجه به این نتایج، شبکة عصبی CFB با ساختار 9، 6، 1 بهترین عملکرد را در بین شبکهها داشته و بر این اساس مکانیابی نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی با این شبکه انجام شده است.
نقشة نهایی با استفاده از نتایج بهدستآمده در پنج کلاس توصیفی طبقه‌بندی شد که در شکل 10 نشان داده شده است. براساس طبقه‌بندی انجام‌شده، حدود 7/7 درصد از مناطق استان در کلاس بسیار نامطلوب، 4/28 درصد در کلاس نامطلوب، 6/27 درصد در کلاس متوسط، 6/20 درصد در کلاس مطلوب و 5/15 درصد در کلاس بسیار مطلوب قرار گرفته‌اند و مساحت هر کلاس برحسب کیلومترمربع در جدول 2 آورده شده است.
جدول 2. مساحت مناطق طبقه‌بندی‌شدة استان آذربایجان شرقی برای احداث نیروگاههای خورشیدی فتوولتائیک (نویسندگان، 1399)
Table 2. Area of classified areas of East Azerbaijan province for the construction of photovoltaic solar power plants (Authors, 2020)
|
کلاس |
مساحت (کیلومترمربع) |
درصد |
|
بسیار نامطلوب |
99/3520 |
74/7 |
|
نامطلوب |
16/12942 |
45/28 |
|
متوسط |
23/12578 |
65/27 |
|
مطلوب |
57/9366 |
59/20 |
|
بسیار مطلوب |
93/7082 |
57/15 |
شکل 10. نقشة اولویتبندی مکانی برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی (نویسندگان، 1399)
Figure 10. Spatial Priority Map for Construction of Photovoltaic Solar Power Plants in East Azarbaijan Province (Authors, 2020)
6. نتیجه‌گیری
با توسعة صنایع و تکنولوژی، تأمین انرژی الکتریکی مورد نیاز فقط از طریق نیروگاههای فسیلی به دلیل محدودیت‌های آنها امکان‌پذیر نیست؛ از سویی با افزایش آگاهی جوامع، محدودیت‌ها و آسیب‌های استفاده از انرژی فسیلی آشکارتر شده و کشورها را واداشته است که از انرژی‌های تجدیدپذیر بهره برند. با توجه به موقعیت جغرافیایی و وسعت کشور ایران و بهره‌مندی آن از 300 روز آفتابی، استفاده از انرژی خورشیدی در هر دو بخش بزرگ (نیروگاه) و کوچک (خانگی) به تأمین انرژی پایدار کمک می‌کند.
در این مطالعه سعی شده است با ترکیب روش‌های موجود برای مکانیابی یعنی استفاده از سیستم‌های تصمیم‌گیری مکانی و GIS، از روش‌های نوین مانند شبکههای عصبی مصنوعی نیز به‌منظور شناسایی مناطق مستعد برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی استفاده شود. برای تحقق این هدف، نخست براساس ضوابط احداث و مکانیابی نیروگاههای خورشیدی فتوولتائیک عوامل محیطی شامل تابش خورشیدی، بارش، ساعت آفتابی و دما به‌مثابة معیارهای اقلیمی، ارتفاع و شیب زمین به‌مثابة معیارهای فیزیکی و کاربری اراضی، فاصله از جادهها و فاصله از شهرها به‌مثابة معیارهای اقتصادی لحاظ شده است. براساس این معیارها، داده‌های آموزش با روش ANP تهیه و به همراه این داده‌ها و الگوریتم آموزش LM، آموزش شبکههای FFB، CFB و MLP بررسی شده است.
براساس معیارهای ارزیابی MSE و RMSE، شبکۀ CFB با ساختار 9، 6، 1 بهمثابۀ مناسبترین شبکه انتخاب و با نتایج بهدستآمده از این شبکه مکانیابی انجام شد.پس از تهیة نقشة نهایی مشخص شد از کل مساحت استان، حدود 6/20 درصد در کلاس مطلوب و 5/15 درصد در کلاس بسیار مطلوب برای احداث نیروگاههای خورشیدی فتوولتائیک مناسب است.
با تمام تلاش‌ها و نوآوری‌ها در این پژوهش، پژوهش حاضر نیز مانند سایر مطالعات با محدودیت‌هایی روبه‌روست. یکی از مهم‌ترین محدودیت‌ها، تعداد بسیار اندک نیروگاههای خورشیدی و احداث‌نشدن این نیروگاهها براساس ضوابط محیطی و اقلیمی است؛ علاوه بر این اگر معیارهایی از قبیل خطوط انتقال نیرو، پست‌های برق، نقشة آلودگی هوا، نقشة گردوغبار و... دردسترس بود، پیش‌بینی دقیق‌تری انجام می‌شد؛ به همین دلیل برای مطالعات آینده، استفاده از این معیارها پیشنهاد میشود.
[1]. Anwar and Deshmukh
[2]. Geographic Information System (GIS)
[3]. Bermejo
[4] .TOPSIS
[5]. Perceptron Neural Network
[6]. Analytical Hierarchy Process (AHP)
[7]. Sivaneasan
[8]. Artificial Neural Network (ANN)
[9]. Fuzzy Logic
[10]. Feed Forward Neural Network (FFNN)
[15]. Feed Forward Backpropagation (FFB)
[16]. Cascade Forward Backpropagation (CFB)
[17]. Thomas L.Saaty
[18]. Input Layer
[19]. Hidden Layer
[20]. Output Layer
[21]. Gradient descent (GD)
[22]. Gradient descent with momentum (GDM)
[23]. Levenberg-Marquardt (LM)
[24]. Newton’s method
[25]. Gauss-Newton method
[26]. Hessian matrix
[27]. Mean Square Error (MSE)
[28]. Root Mean Square Error (RMSE)
[31]. Overfitting
)
