Solar Energy Prediction Based on Meteorological Data using Artificial Neural Network and ANFIS

Year 2024, Volume: 7 Issue: 4, 1685 - 1701, 16.09.2024

Serdar Somuncu , Canan Oral

https://doi.org/10.47495/okufbed.1356694

Abstract

In recent years, while the demand for energy is increasing day by day, the need for renewable energy sources is increasing day by day with the decrease in fossil fuels and the onset of sensitivity to environmental pollution. Particularly, the usage of solar energy has recently increased significantly. In this study, the estimation of solar power plant production data was made with the help of artificial intelligence methods, multilayer artificial neural networks (ÇKYSA), and adaptive fuzzy artificial neural network inference system (ANFIS), depending on meteorological data. It has been seen from the scatter plots that the predicted values made with the created ÇKYSA and ANFIS models converge reasonably with the measured values. It was understood that the estimations were reliable and accurate in the regression curves made after the test results. The production data of the power plants in the energy sector can be calculated with the same methods.

Keywords

Renewable energy, Artificial neural network, Adaptive fuzzy neural network inference system, Prediction

Yapay Sinir Ağı ve ANFIS kullanılarak Meteorolojik Verilere Bağlı Güneş Enerjisi Tahmini

Abstract

Son yıllarda, enerjiye olan talep gün geçtikçe artarken öte yandan da fosil yakıtların giderek azalması ve çevre kirliliğine olan duyarlılığın başlamasıyla, yenilenebilir enerji kaynaklarına olan gereksinim her geçen gün artmaktadır. Özellikle güneş enerjisi kullanımı son zamanlarda hızlı bir ivme göstermiştir. Bu çalışmada güneş enerji santrali üretim verilerinin meteorolojik verilere bağlı olarak yapay zekâ yöntemlerinden çok katmanlı yapay sinir ağları (ÇKYSA) ve uyarlamalı bulanık yapay sinir ağı çıkarım sistemi (ANFIS) yardımıyla tahmini yapılmıştır. Oluşturulan ÇKYSA ve ANFIS modelleriyle yapılan tahmin değerlerinin ölçülen değerler ile makul düzeyde yakınsadığı saçılma grafiklerinden görülmüştür. Test sonuçları sonrası yapılan regresyon eğrilerinde tahminlerin güvenilir ve isabetli olduğu anlaşılmıştır. Enerji sektörü konumunda bulunan santrallerin üretim verileri aynı yöntemlerle hesaplanabilir.

Keywords

Yenilenebilir enerji, Yapay sinir ağı, Uyarlamalı bulanık yapay sinir ağı, Tahmin

References

• Abiodun OI., Jantan A., Omolara AE., Dada KV., Mohamed NA., Arshad H. State-of-the-art in artificial neural network applications: A survey. Heliyon 2018; 4(11): 1-41. e00938.
• Dandıl E., Gürgen E. Yapay sinir ağları kullanılarak fotovoltaik panel güç çıkışlarının tahmini ve sezgisel algoritmalar ile karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi 2019; 16: 146-158.
• Ding S., Li H., Su C., Yu J., Jin F. Evolutionary artificial neural networks: a review. Artificial Intelligence Review 2013; 39(3): 251-260.
• Doğancı Ö., Ertürk M., Özsunar A., Arcaklıoğlı E. Orta ve Batı Karadeniz Bölgesi rüzgâr enerjisi tahmin çalışması. İleri Teknoloji Bilimleri Dergisi 2016; 5(1): 153-163.
• Gabralı D., Aslan Z. Güneş enerjisi potansiyelinin çoklu lineer regresyon ve yapay sinir ağları ile modellenmesi. Aurum Mühendislik Sistemleri ve Mimarlık Dergisi 2020; 4(1): 23-36.
• Gardner MW., Dorling SR. Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences. Atmospheric environment 1998; 32(14/15): 2627-2636.
• Gökçe B., Sonugür G. ANFIS ve YSA yöntemleri ile işlenmiş doğal taş üretim sürecinde verimlilik analizi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi 2016; 16(1): 174-185.
• Güleç GH., Demirel H. Meteorolojik veriler kullanılarak Kastamonu ili güneşlenme şiddetinin yapay sinir ağları ile tahmini. Technological Applied Sciences 2017; 12(3): 114-121.
• Jebli I., Belouadha FZ., Kabbaj MI., Tilioua A. Prediction of solar energy guided by pearson correlation using machine learning. Energy 2021; 224(2021): 120109.
• Karaboga D., Kaya E. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey. Artificial Intelligence Review 2019; 52(4): 2263-2293.
• Kaya Ü., Caner M., Oğuz Y. Rüzgâr türbin modelleri kullanarak Kastamonu ili rüzgâr ile elektrik üretim potansiyeli tahmini. Technological Applied Sciences 2016; 11(3): 65-74.
• Oral C. Sayısal mamografi görüntülerine yapay zekâ yöntemlerinin uygulanması. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi, syf no: 118, Samsun, Türkiye, 2011.
• Özcan İ., Şahin ŞA., Dikmen E., Bayram G. Isparta ilinde rüzgâr hızı değerlerinin belirlenmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2013; 17(1): 109-112.
• Saray U., Lüy M., Çam E. Amasya ili için yapay sinir ağlarıyla rüzgar hızı tahmini. Elektrik Elektronik Mühendisliği Günleri Bildiriler Kitabı, 29 Eylül-1 Ekim 2011, sayfa no: 20-24, Ankara.
• Şahan M., Yüksel O. Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini. Süleyman Demirel University Faculty of Arts and Science Journal of Science 2016; 11(1): 61-71.
• Şahan M., Yapay sinir ağları ve angström-prescott denklemleri kullanılarak Gaziantep, Antakya ve Kahramanmaraş için global güneş radyasyonu tahmini, Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 2021,; 16(2): 368-384
• Var H., Türkay BE. Yapay sinir ağları kullanılarak kısa dönem elektrik yükü tahmini. Elektrik–Elektronik, Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, 27-29 Kasım 2014, sayfa no:34-37, Bursa.
• Zaghloul MS., Hamza RA., Iorhemen OT., Tay JH. Comparison of adaptive neuro-fuzzy inference systems (ANFIS) and support vector regression (SVR) for data-driven modelling of aerobic granular sludge reactors. Journal of Environmental Chemical Engineering 2020; 8(3): 103742.