| LEADER |
05565nam a2200337 4500 |
| 001 |
1533010 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 617707
|a Jaradat, Sumoud Mahmoud Saeed
|e Author
|
| 245 |
|
|
|a Classification and Prediction Model of Renewable Energy Depending on Weather Factors Using Artificial Intelligence Techniques
|
| 260 |
|
|
|a جنين
|c 2020
|
| 300 |
|
|
|a 1 - 128
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c الجامعة العربية الأمريكية - جنين
|f كلية الدراسات العليا
|g فلسطين
|o 0308
|
| 520 |
|
|
|a منذ عدة عقود، استخدمت مصادر الطاقة المتجددة كبديل مستدام وصديق للبيئة لتعويض النقص في موارد الطاقة التقليدية. تعد أنظمة الطاقة الشمسية وطاقة الرياح أكثر مصادر الطاقة المتجددة شيوعا لإنتاج الكهرباء. هذه الأنظمة ذات طبيعة متقلبة نظرا لتأثرها بالظروف المناخية. لذا فإن التنبؤ الدقيق بكمية الطاقة المحتملة في موقع معين أمر مجدي اقتصاديا لتصميم وتركيب أنظمة الطاقة المتجددة. ولهذا السبب، من الضروري وجود نموذج للتنبؤ والتصنيف لتنظيم وإدارة هذا القطاع في فلسطين والدول الأخرى. تقترح هذه الرسالة نموذجا مزدوج من الشبكات العصبية وخوارزميات التحسين التي تستخدم البيانات التاريخية وبيانات الأرصاد الجوية للتنبؤ بكمية الطاقة الكهربائية الممكن إنتاجها من المصادر المتجددة في فلسطين. تم جمع بيانات إنتاج الطاقة التاريخية من مواقع مختلفة في فلسطين تشمل الخليل في الجنوب وبيت لحم وسلفيت في الوسط وطوباس وجنين في شمال الضفة الغربية. كما جمعت بيانات الأرصاد الجوبة باستخدام دائرة الأرصاد الجوية الفلسطينية لمدن جنين ونابلس وبيت لحم والخليل. يبين أداء النموذج أن الخوارزمية الجينية تتفوق على غيرها من خوارزميات التحسين في بناء الشبكات العصبية متعددة الطبقات وتحسين معاملاتها للتنبؤ بإنتاج الطاقة. حيث أن نظام النموذج الذي يجمع بين الخوارزمية الجينية GAs والشبكة العصبية متعددة الطبقات MLPNNs تفوق على النموذج الذي يجمع خوارزمية تحسين سرب الجسيمات PSO مع MLPNNs ونموذج RBFNNs مع GAs لتوقع إنتاج الطاقة. حيث حقق GAs-MLPNNs أدنى معدل خطأ بين النماذج الأخرى. على سبيل المثال، باستخدام 40 خلية عصبية، كان MSE باستخدام النموذج المقترح 0.0048، أما MSE لـ 0.0094 GAs-RBFNNs باستخدام مجموعة بيانات لأربع سنوات؛ بينما فشل نموذج PSO-MLPNNs في التعامل مع مجموعة البيانات. يوضح نموذج GAs-MLPNNs أيضا أنه يمكن الحصول على نتائج أفضل باستخدام بيانات الأرصاد الجوية بدلا من استخدام مجموعة البيانات التاريخية، حيث كان MSE باستخدام مجموعة البيانات التاريخية ضعف ذلك بالنسبة لنتائج بيانات الأرصاد الجوية. كما تم استخدام نتائج النموذج المستخدم لتصنيف المناطق الجغرافية حسب إنتاجها المحتمل للطاقة. استخدمنا خوارزمية تصنيف عامة؛ خريطة التنظيم الذاتي SOM لتصنيف المناطق بناء على الإنتاج السنوي المتوقع للطاقة. تظهر نتائج التصنيف أن جنين وطوباس وبيت لحم لديها إمكانات مماثلة لإنتاج الطاقة الشمسية، في حين أن نابلس وسلفيت والخليل لديها قدرات متنوعة لإنتاج الكهرباء من مصادر الطاقة الشمسية. كما أظهرت النتائج تنوعا في إنتاج طاقة الرياح لكل مدينة في جنين ونابلس وبيت لحم والخليل.
|
| 653 |
|
|
|a الطاقة المتجددة
|a الطاقة الشمسية
|a الذكاء الاصطناعي
|a الشبكات العصبية
|a الخوارزميات الجينية
|
| 700 |
|
|
|9 617710
|a Omari, Osama
|e Advisor
|
| 700 |
|
|
|a Awad, Mohammed
|e Advisor
|9 551750
|
| 856 |
|
|
|u 9808-002-001-0308-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9808-002-001-0308-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9808-002-001-0308-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9808-002-001-0308-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9808-002-001-0308-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-6.pdf
|y 6 الفصل
|
| 856 |
|
|
|u 9808-002-001-0308-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1152303
|d 1152303
|
