فهرست نشریات علمی دسترسی آزاد ایران

مقدمهانرژی نقشی حیاتی در توسعۀ پایدار و بهبود کیفیت زندگی انسان ایفا می‌کند. با افزایش تقاضای جهانی برای انرژی، به‌ویژه در کشورهای در‌حال‌توسعه، نیاز به گذار به سمت منابع انرژی تجدیدپذیر بیش از پیش احساس می‌شود. در میان این منابع، انرژی خورشیدی و به‌ویژه فناوری فتوولتائیک (PV) به دلیل پایداری زیست‌محیطی، نبود کربن و ظرفیت قابل ‌توجه در کاهش تغییرات اقلیمی جایگاه ویژه‌ای دارد. ایران، به دلیل قرار گرفتن در منطقه‌ای با پتانسیل بالای تابش خورشیدی، موقعیت مناسبی برای بهره‌برداری از انرژی خورشیدی دارد. این کشور با میانگین سالانه 1800 کیلووات‌ساعت بر مترمربع تابش خورشیدی و بیش از 280 تا 300 روز آفتابی در سال، فرصت ایده‌آلی برای توسعۀ نیروگاه‌های خورشیدی فراهم آورده است. با این‌حال، علی‌رغم این ظرفیت چشمگیر، ایران هنوز به ‌طور کامل از انرژی خورشیدی بهره‌برداری نکرده است که یکی از دلایل اصلی آن، چالش‌های مربوط به انتخاب مکان‌های بهینه برای احداث نیروگاه‌هاست. اثربخشی پروژه‌های نیروگاه خورشیدی به‌شدت به انتخاب مناسب‌ترین مکان‌ها برای احداث نیروگاه وابسته است. انتخاب بهینۀ مکان نه‌تنها بازدهی تولید انرژی را به حداکثر می‌رساند، بلکه اثرات زیست‌محیطی و هزینه‌های اقتصادی را نیز کاهش می‌دهد. در مقابل، انتخاب نامناسب مکان می‌تواند به کاهش راندمان، اتلاف منابع مالی و تشدید تخریب محیط‌ زیست منجر شود. بنابراین، نخستین گام در توسعۀ نیروگاه‌های خورشیدی، شناسایی مناطقی با پتانسیل بالای تابش خورشیدی و سایر عوامل کلیدی مانند دسترسی به شبکۀ برق، منابع آب و زیرساخت‌هاست. روش‌های تصمیم‌گیری چندمعیاره (MCDM) ابزارهای مؤثری برای ارزیابی عوامل مختلف در مکان‌یابی هستند. همچنین، سیستم‌های اطلاعات مکانی (GIS) در تحلیل داده‌های مکانی ارزشمند بوده و امکان ارزیابی دقیق و تصمیم‌گیری آگاهانه را فراهم می‌کنند. در سال‌های اخیر، تکنیک‌های یادگیری ماشین نیز به ‌عنوان رویکردی نوین برای بهینه‌سازی فرایند مکان‌یابی نیروگاه‌های خورشیدی مطرح شده‌اند.مواد و روش‌هااین پژوهش با ترکیب روش‌های تصمیم‌گیری چندمعیاره (MCDM)، سیستم اطلاعات مکانی (GIS) و تکنیک‌های یادگیری ماشین به انتخاب بهینۀ مکان نیروگاه‌های خورشیدی در استان فارس می‌پردازد. در گام نخست، نه معیار کلیدی شامل تابش خورشیدی، دما، شیب، بارش، ارتفاع و نزدیکی به زیرساخت‌ها شناسایی شد. با استفاده از GIS لایه‌های مکانی مربوط به این معیارها تولید شد. سپس، دو روش تصمیم‌گیری چندمعیاره، شامل روش بهترین ـ بدترین (BWM) و روش SWARA، برای وزن‌دهی به معیارها به ‌کار گرفته شدند و نظریۀ تلفیق اطلاعات دمپستر ـ شفر برای افزایش قابلیت اعتماد وزن‌ها از طریق ادغام نتایج دو روش استفاده شد. نقشۀ تناسب اراضی برای مکان‌یابی نیروگاه‌های خورشیدی با استفاده از روش مارکوس تهیه شد. در مرحلۀ بعد، یادگیری ماشین و به ‌طور مشخص رگرسیون بردار پشتیبان (SVR) به‌ کار گرفته شد تا مناسب‌ترین مناطق برای احداث نیروگاه‌های خورشیدی پیش‌بینی شود. فراپارامترهای مدل SVR با استفاده از الگوریتم تکاملی گرگ خاکستری (GWO) بهینه‌سازی شدند. مدل SVR با داده‌های مرجع حاصل از نقشۀ تناسب اراضی تولیدشده توسط روش مارکوس آموزش داده شد. این رویکرد ترکیبی امکان تهیۀ نقشه‌ای با قابلیت اعتماد بالا برای مکان‌یابی نیروگاه‌های خورشیدی را فراهم کرد و دیدگاه‌های ارزشمندی دربارۀ ظرفیت توسعۀ انرژی‌های تجدیدپذیر در استان فارس ارائه داد.یافته‌هانتایج نشان داد بر اساس روش مارکوس، 14 درصد از منطقه مورد مطالعه در استان فارس برای احداث نیروگاه‌های خورشیدی بسیار مناسب بوده است؛ در حالی ‌که رویکرد مبتنی بر یادگیری ماشین این مقدار را 34 درصد برآورد کرده است. در مجموع، 48 درصد از مساحت استان به‌ عنوان مناطق دارای تناسب خیلی زیاد برای تولید انرژی خورشیدی شناسایی شد. مناطق شمالی، شمال ‌شرقی و مرکزی استان، شامل شهرستان‌های آباده، سرچهان، پاسارگاد و بوانات به‌ عنوان مکان‌های اولویت‌دار برای توسعۀ نیروگاه‌های خورشیدی پیشنهاد شدند. علاوه بر این، تحلیل‌ها نشان داد رویکرد مبتنی بر یادگیری ماشین نسبت به روش مارکوس پیش‌بینی دقیق‌تری ارائه می‌دهد. مدل SVR بهینه‌شده با الگوریتم GWO به دقت پیش‌بینی بالایی دست یافت، به‌ طوری که ضریب تعیین (R²) برای داده‌های آموزشی برابر با 0/9975 و برای داده‌های آزمون برابر با 0/9923 بود. همچنین، این مدل 48 درصد از منطقه را به ‌عنوان بسیار مناسب برای احداث نیروگاه‌های خورشیدی طبقه‌بندی کرد، در حالی ‌که روش مارکوس تنها 39 درصد از منطقه را در این دسته قرار داده بود.ترکیب روش‌های MCDM، GIS و یادگیری ماشین که در این پژوهش ارائه شد، چارچوبی قدرتمند برای مکان‌یابی نیروگاه‌های خورشیدی فراهم می‌آورد. ادغام MCDM با GIS رویکردی جامع برای ارزیابی عوامل متعدد ارائه می‌کند، در حالی ‌که افزودن یادگیری ماشین دقت و کارایی انتخاب مکان را افزایش می‌دهد. نتایج نشان می‌دهد یادگیری ماشین می‌تواند به‌ طور چشمگیری قابلیت اعتماد پیش‌بینی‌ها را به‌ویژه در مواجهه با داده‌های پیچیدۀ مکانی و محیطی بهبود بخشد. یافته‌های این تحقیق با مطالعات پیشین در حوزۀ مکان‌یابی نیروگاه‌های خورشیدی همخوانی دارد و اهمیت در نظر گرفتن عواملی همچون تابش خورشیدی، نزدیکی به زیرساخت‌ها و شرایط محیطی را برجسته می‌سازد. همچنین، استفاده از یادگیری ماشین، نقش فزایندۀ هوش مصنوعی در بهینه‌سازی فرایندهای تصمیم‌گیری در پروژه‌های انرژی‌های تجدیدپذیر را تأیید می‌کند.نتیجه‌گیریبا توجه به ضرورت توسعۀ انرژی‌های تجدیدپذیر، مکان‌یابی بهینۀ نیروگاه‌های خورشیدی از اهمیت ویژه‌ای برخوردار است. در این پژوهش، ۹ معیار اقلیمی، توپوگرافی و زیرساختی شامل پتانسیل فتوولتائیک، تابش نرمال مستقیم، دما، بارندگی، شیب، فاصله از راه‌ها، فاصله از گسل‌ها، ارتفاع و فاصله از مراکز شهری بر اساس مطالعات پیشین انتخاب و با استفاده از رویکرد تصمیم‌گیری چندمعیاره و روش‌های وزن‌دهی BWM و SWARA مورد تحلیل قرار گرفت. نتایج نشان داد پتانسیل فتوولتائیک و تابش نرمال مستقیم مهم‌ترین معیارها در فرایند مکان‌یابی هستند. برای افزایش دقت، وزن‌ها با تئوری دمپستر ـ شفر ترکیب شدند و نقشۀ تناسب اراضی با روش مارکوس تهیه شد. سپس، با استفاده از الگوریتم بهینه‌سازی گرگ خاکستری، مدل SVR تنظیم و نقشۀ تناسب پیش‌بینی شد که نشان داد حدود 48 درصد از استان فارس از تناسب زیاد و خیلی زیاد برای احداث نیروگاه برخوردار است. در نهایت، شهرستان‌های آباده، سرچهان، پاسارگاد، بوانات و خرم‌بید به ‌عنوان اولویت‌های اصلی شناسایی شدند. نتایج این تحقیق می‌تواند راهنمای ارزشمندی برای سیاست‌گذاران و سرمایه‌گذاران در توسعۀ پایدار انرژی خورشیدی باشد. این پژوهش اثربخشی ترکیب روش‌های تصمیم‌گیری چندمعیاره، سیستم اطلاعات مکانی و یادگیری ماشین را در بهینه‌سازی فرایند مکان‌یابی نیروگاه‌های خورشیدی نشان داد. به‌کارگیری یک چارچوب تصمیم‌گیری ترکیبی به توسعۀ انرژی خورشیدی در ایران و مناطق مشابه با پتانسیل بالای تابش خورشیدی کمک می‌کند. نتایج این مطالعه دیدگاه‌های ارزشمندی برای برنامه‌ریزان انرژی، سیاست‌گذاران و سرمایه‌گذاران در انتخاب مکان‌های مناسب برای زیرساخت‌های خورشیدی فراهم می‌آورد. این رویکرد علاوه بر بهینه‌سازی تولید انرژی، به پایداری محیط‌ زیستی کمک کرده و گذار جهانی به سمت منابع انرژی تجدیدپذیر را تسهیل می‌کند.