بررسی امکان پیش بینی سرعت باد با استفاده از مدل های هیبرید شبکه های عصبی، شبکه های فازی-عصبی و تئوری موجک (مطالعه موردی: ایستگاه سینوپتیک یزد)

پیش بینی مولفه های باد از جمله سرعت باد یکی از عوامل مهم به خصوص در بحث تبخیر در یک حوزه آبخیز محسوب می گردد. در این مقاله سعی گردید، جهت افزایش کارایی مدل های هوش مصنوعی، در پیش بینی سرعت باد، دو مدل شبکه عصبی و فازی-عصبی با تئوری موجک ترکیب شده و دو مدل هیبرید جدید ارائه گردید. در این تحقیق با استفاده از برخی پارامتر های اقلیمی ایستگاه همدیدی یزد از جمله سرعت باد، دمای متوسط، دمای بیشینه، رطوبت نسبی و تبخیر، سرعت باد در مقیاس ماهانه برآورد گردید و سپس کارایی دو مدل های هیبرید شبکه عصبی موجکی و شبکه فازی-عصبی موجکی با مدل های شبکه عصبی و فازی-عصبی در پیش بینی سرعت باد ۱۲ ماه آینده مورد مقایسه قرار گرفت. در نهایت جهت تائید کارایی بهترین مدل، با استفاده از پارامتر های اقلیمی موثر سال ۱۳۸۳ سرعت باد در سال ۱۳۸۴ پیش بینی گردید. نتایج بدست آمده در مرحله ارزیابی مدل ها، تفاوت قابل ملاحظه عملکرد بهتر شبکه های عصبی موجکی و فازی-عصبی موجکی را نسبت به مدل های شبکه عصبی و فازی-عصبی نشان دادند. شایان ذکر است در مرحله ارزیابی، کارایی بالای شبکه های فازی-عصبی موجکی، برتری این مدل را نسبت به سایر مدل ها به اثبات رسانید.

کلیدواژه ها:

prediction ، wind speed ، wavelet ، wavelet neural network ، wavelet neural –fuzzy networks ، پیش بینی ، سرعت باد ، موجک ، شبکه عصبی موجکی ، شبکه های فازی-عصبی موجکی