Güneş ışınımı tahmini için yeni bir QR kod tabanlı CNN yaklaşımı

Abstract

Arka Plan—Güneş ışınımının doğru bir şekilde tahmin edilmesi, fotovoltaik enerji sistemlerinin başarılı biçimde entegrasyonu, etkin planlanması ve işletme kararlılığının sağlanmasında kritik bir rol oynamaktadır. Bununla birlikte, güneş ışınımının dinamik, doğrusal olmayan ve zamana bağlı değişken yapısı nedeniyle bu parametrenin tahmini oldukça güçtür. Güneş ışınımı örüntüleri; ortam sıcaklığı, atmosfer basıncı, rüzgâr özellikleri, güneşlenme süresi, bulutluluk ve aerosol yoğunluğu gibi çok sayıda atmosferik ve meteorolojik faktörden önemli ölçüde etkilenmektedir. Geleneksel istatistiksel modeller ve makine öğrenmesi algoritmaları bu değişkenleri sayısal olarak işleyebilse de, çok sayıda özelliğe ait karmaşık zamansal ilişkileri tek ve bütünleşik bir yapı içerisinde temsil etmekte çoğu zaman yetersiz kalmaktadır. Bu nedenle, çok değişkenli zaman serisi verilerinin derin öğrenme mimarilerine uygun biçimlere dönüştürülmesini sağlayacak yenilikçi veri temsil yöntemlerine ihtiyaç duyulmaktadır.

Amaç—Bu çalışmada, altı meteorolojik zaman serisine ait önceki 24 saatlik verileri 6 × 24 boyutunda QR benzeri gri tonlamalı bir gösterime dönüştüren ve bir saat ilerisi için güneş ışınımı tahmini gerçekleştiren iki boyutlu evrişimli sinir ağı (2D-CNN) yaklaşımı önerilmiş ve değerlendirilmiştir. Önerilen yöntemin performansı; süreklilik referansı, doğrulama veri kümesi kullanılarak ayarlanan karşılaştırma modelleri ve görüntü dönüşümü uygulanmaksızın aynı giriş geçmişini kullanan doğrudan bir 1D-CNN modeli ile karşılaştırılmıştır.

Yöntem—Afyonkarahisar, Türkiye’den elde edilen saatlik rüzgâr yönü, rüzgâr hızı, güneşlenme süresi, güneş ışınımı, atmosfer basıncı ve ortalama sıcaklık verileri kronolojik olarak eğitim (2011-2012), doğrulama (2013) ve test (2014) alt kümelerine ayrılmıştır. Özellik ölçekleyicileri yalnızca 2011-2012 dönemindeki veriler kullanılarak oluşturulmuş ve 2013 ile 2014 verilerine herhangi bir değişiklik yapılmadan uygulanmıştır. Her bir örnekte, altı değişkene ait önceki 24 saatlik veriler 6 × 24 boyutunda bir matris şeklinde düzenlenmiştir. Karşılaştırma modellerinin hiperparametreleri, 2013 doğrulama alt kümesi üzerinde gerçekleştirilen kapsamlı ızgara araması ile belirlenmiştir. Performans değerlendirmesi; tekrarlı çalıştırmalar, dünya dışı güneş ışınımına dayalı bir hata düzeltme adımı, süreklilik referansı ve doğrudan 1D-CNN karşılaştırması kullanılarak gerçekleştirilmiştir.

Bulgular—Bağımsız 2014 test alt kümesinde, seçilen QR benzeri modelin (128 filtre, 2 × 2 çekirdek ve 1 yığın boyutu) sabit beş farklı başlangıç tohumu ile gerçekleştirilen çalıştırmalarında ortalama RMSE değeri 70.700 ± 2.120 W/m², MAE değeri 34.300 ± 1.340 W/m² ve R² değeri 0.9330 ± 0.0030 olarak elde edilmiştir. Doğrudan 1D-CNN modelinde ortalama RMSE 72.153 ± 1.081 W/m², MAE 32.108 ± 0.696 W/m² ve R² 0.9302 ± 0.0021 olarak belirlenirken, süreklilik referansının RMSE değeri 108.012 W/m² olarak bulunmuştur. QR benzeri 2D-CNN, karşılaştırılan tüm modeller arasında en düşük RMSE ve en yüksek R² değerine ulaşmış ve süreklilik referansına göre %34.5 tahmin becerisi sağlamıştır.

Sonuç—Elde edilen bulgular, QR benzeri gösterimin saatlik güneş ışınımı tahmininde CNN modelleri için etkili bir giriş biçimi olduğunu göstermektedir. Temel karşılaştırma ölçütü olarak RMSE dikkate alındığında, QR benzeri 2D-CNN en başarılı model olmuş; bunu sırasıyla doğrudan 1D-CNN ve ANN modelleri izlemiş ve öğrenmeye dayalı tüm modeller süreklilik referansından daha iyi performans göstermiştir. Bununla birlikte, çalışmanın tek bir meteoroloji istasyonuna ve bir saatlik tahmin ufkuna dayanması elde edilen sonuçların kapsamını sınırlamaktadır. Yöntemin genellenebilirliğinin değerlendirilmesi için çok istasyonlu ve farklı tahmin ufuklarını içeren ileri çalışmalara ihtiyaç bulunmaktadır.

Keywords

• 2D-CNN
• Derin öğrenme
• Makine öğrenmesi
• QR kod tabanlı yaklaşım
• Güneş ışınımı tahmini

Supporting Institution

Afyon Kocatepe Üniversitesi

Project Number

22.MUH.01.

Ethical Statement

Bu çalışma, Afyon Kocatepe Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi tarafından 22.MUH.01 numaralı proje kapsamında desteklenmiştir.

A novel QR code-based CNN approach for solar radiation forecasting

Abstract

Context—Accurate prediction of solar irradiance plays a critical role in the successful integration, effective planning, and operational stability of photovoltaic energy systems. Nevertheless, forecasting this parameter remains highly challenging due to its dynamic, nonlinear, and time-varying characteristics. Solar radiation patterns are heavily influenced by a combination of atmospheric and meteorological factors, including ambient temperature, barometric pressure, wind dynamics, sunshine duration, cloud cover, and aerosol concentration. While traditional statistical models and machine learning algorithms can process these variables numerically, they frequently struggle to represent complex temporal relationships among multiple features within a single, unified framework. Consequently, innovative data representation strategies are required to convert multivariate time-series data into formats optimized for deep learning architectures.

Objective—This research introduces and evaluates a two-dimensional convolutional neural network (2D-CNN) approach that transforms the preceding 24 h of six meteorological series into a 6 × 24 QR-like grayscale representation for one-hour-ahead solar irradiance forecasting. Its performance is evaluated against a persistence reference, validation-tuned benchmark models, and a direct 1D-CNN using the same input history without image conversion.

Method—Hourly wind direction, wind speed, sunshine duration, solar irradiance, pressure, and mean temperature from Afyonkarahisar, Turkey, were divided chronologically into training (2011–2012), validation (2013), and test (2014) subsets. The feature scalers were fitted using only 2011–2012 and then applied unchanged to 2013 and 2014. Each sample arranges the preceding 24 h of the six variables as a 6 × 24 matrix. Benchmark hyperparameters were selected by exhaustive grid search on the 2013 validation subset. Performance was assessed with repeated runs, an extraterrestrial-irradiance-based error-correction step, a persistence reference, and a direct 1D-CNN comparison.

Results—On the independent 2014 test subset, five fixed-seed runs of the selected QR-like model (128 filters, 2 × 2 kernel, batch size 1) produced mean RMSE 70.700 ± 2.120 W/m², MAE 34.300 ± 1.340 W/m², and R² 0.9330 ± 0.0030. The direct 1D-CNN yielded mean RMSE 72.153 ± 1.081 W/m², MAE 32.108 ± 0.696 W/m², and R² 0.9302 ± 0.0021, and the persistence reference gave RMSE 108.012 W/m². The QR-like 2D-CNN achieved the lowest RMSE and the highest R² of all compared models, corresponding to a forecast skill of 34.5% over persistence.

Conclusion—The findings support the QR-like representation as an effective CNN input format for hourly solar irradiance forecasting. Using RMSE as the primary comparison metric, the QR-like 2D-CNN ranked first, followed by the direct 1D-CNN and ANN, and every learned model improved on the persistence reference; the single-station setting and the one-hour horizon nevertheless bound the scope of these findings, and multi-station and multi-horizon studies are needed to assess generalizability.

Keywords

• 2D-CNN
• Deep learning
• Machine learning
• QR code-based approach
• Solar radiation forecasting

Supporting Institution

Afyon Kocatepe University

Project Number

22.MUH.01.

Ethical Statement

This study is supported by Afyon Kocatepe University Scientific Research Project Coordination Unit with the number 22.MUH.01.

References

1. H. Wang, Z. Lei, X. Zhang, B. Zhou, J. Peng, “A review of deep learning for renewable energy forecasting”, Energy Conversion and Management, 198, 111799, 2019. https://doi.org/10.1016/j.enconman.2019.111799.
2. E. Akarslan, F. O. Hocaoglu, “A novel adaptive approach for hourly solar radiation forecasting”, Renewable Energy, 87, 628–633, 2016. https://doi.org/10.1016/j.renene.2015.10.063.
3. F. J. Rodríguez-Benítez, M. López-Cuesta, C. Arbizu-Barrena, M. M. Fernández-León, M. Á. Pamos-Ureña, J. Tovar-Pescador, F. J. Santos-Alamillos, D. Pozo-Vázquez, “Assessment of new solar radiation nowcasting methods based on sky-camera and satellite imagery”, Applied Energy, 292, 116838, 2021. https://doi.org/10.1016/j.apenergy.2021.116838.
4. A. H. Eşlik, E. Akarslan, F. O. Hocaoğlu, “Short-term solar radiation forecasting with a novel image processing-based deep learning approach”, Renewable Energy, 200, 1490–1505, 2022. https://doi.org/10.1016/j.renene.2022.10.063.
5. J. Tian, R. Ooka, D. Lee, “Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review”, Journal of Cleaner Production, 426, 139040, 2023. https://doi.org/10.1016/j.jclepro.2023.139040.
6. H. Acikgoz, “A novel approach based on integration of convolutional neural networks and deep feature selection for short-term solar radiation forecasting”, Applied Energy, 305, 117912, 2022. https://doi.org/10.1016/j.apenergy.2021.117912.
7. S. Watetakarn, S. Premrudeepreechacharn, “Forecasting of solar irradiance for solar power plants by artificial neural network”, Proceedings of the 2015 IEEE Innovative Smart Grid Technologies - Asia (ISGT ASIA), Bangkok, Thailand, 03–06 November 2015, https://doi.org/10.1109/ISGT-Asia.2015.7387061.
8. M. Guermoui, F. Melgani, K. Gairaa, M. L. Mekhalfi, “A comprehensive review of hybrid models for solar radiation forecasting”, Journal of Cleaner Production, 258, 120357, 2020. https://doi.org/10.1016/j.jclepro.2020.120357.

9. R. Azimi, M. Ghayekhloo, M. Ghofrani, “A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting”, Energy Conversion and Management, 118, 331–344, 2016. https://doi.org/10.1016/j.enconman.2016.04.009.
10. K. Benmouiza, A. Cheknane, “Forecasting hourly global solar radiation using hybrid k-means and nonlinear autoregressive neural network models”, Energy Conversion and Management, 75, 561–569, 2013. https://doi.org/10.1016/j.enconman.2013.07.003.
11. F. A. Nahid, W. Ongsakul, N. M. Manjiparambil, J. G. Singh, J. Roy, “Mode decomposition-based short-term multi-step hybrid solar forecasting model for microgrid applications”, Electrical Engineering, 106(3), 3349–3380, 2024. https://doi.org/10.1007/s00202-023-02138-1.
12. Z. Garip, E. Ekinci, A. Alan, “Day-ahead solar photovoltaic energy forecasting based on weather data using LSTM networks: A comparative study for photovoltaic (PV) panels in Turkey”, Electrical Engineering, 105(5), 3329–3345, 2023. https://doi.org/10.1007/s00202-023-01883-7.
13. M. S. Ibrahim, S. M. Gharghory, H. A. Kamal, “A hybrid model of CNN and LSTM autoencoder-based short-term PV power generation forecasting”, Electrical Engineering, 106(4), 4239–4255, 2024. https://doi.org/10.1007/s00202-023-02220-8.
14. B. Arseven, S. M. Çınar, “A novel hybrid solar radiation forecasting algorithm based on discrete wavelet transform and multivariate machine learning models integrated with clearness index clusters”, Journal of Atmospheric and Solar-Terrestrial Physics, 267, 106417, 2025. https://doi.org/10.1016/j.jastp.2025.106417.
15. H. Y. Cheng, C. C. Yu, “Multi-model solar irradiance prediction based on automatic cloud classification”, Energy, 91, 579–587, 2015. https://doi.org/10.1016/j.energy.2015.08.075.
16. O. Şenkal, M. Şahin, V. Peştemalci, “The estimation of solar radiation for different time periods”, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 32(13), 1176–1184, 2010. https://doi.org/10.1080/15567030902967850.
17. E. Yilmaz, “Estimation of horizontal solar radiation in Bolu (Turkey)”, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 35(11), 1053–1055, 2013. https://doi.org/10.1080/15567036.2011.648308.
18. M. Bou-Rabee, S. A. Sulaiman, M. S. Saleh, S. Marafi, “Using artificial neural networks to estimate solar radiation in Kuwait”, Renewable and Sustainable Energy Reviews, 72, 434–438, 2017. https://doi.org/10.1016/j.rser.2017.01.013.
19. L. Benali, G. Notton, A. Fouilloy, C. Voyant, R. Dizene, “Solar radiation forecasting using artificial neural network and random forest methods: Application to normal beam, horizontal diffuse and global components”, Renewable Energy, 132, 871–884, 2019. https://doi.org/10.1016/j.renene.2018.08.044.
20. Z. Pang, F. Niu, Z. O’Neill, “Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons”, Renewable Energy, 156, 279–289, 2020. https://doi.org/10.1016/j.renene.2020.04.042.
21. R. C. Deo, X. Wen, F. Qi, “A wavelet-coupled support vector machine model for forecasting global incident solar radiation using limited meteorological dataset”, Applied Energy, 168, 568–593, 2016. https://doi.org/10.1016/j.apenergy.2016.01.130.
22. F. Baser, H. Demirhan, “A fuzzy regression with support vector machine approach to the estimation of horizontal global solar radiation”, Energy, 123, 229–240, 2017. https://doi.org/10.1016/j.energy.2017.02.008.
23. A. Khosravi, R. N. N. Koury, L. Machado, J. J. G. Pabon, “Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms”, Journal of Cleaner Production, 176, 63–75, 2018. https://doi.org/10.1016/j.jclepro.2017.12.065.
24. S. Ghimire, R. C. Deo, N. Raj, J. Mi, “Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms”, Applied Energy, 253, 113541, 2019. https://doi.org/10.1016/j.apenergy.2019.113541.
25. H. Zang, L. Liu, L. Sun, L. Cheng, Z. Wei, G. Sun, “Short-term global horizontal irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations”, Renewable Energy, 160, 26–41, 2020. https://doi.org/10.1016/j.renene.2020.05.150.
26. A. N.-L. Huynh, R. C. Deo, D.-A. An-Vo, M. Ali, N. Raj, S. Abdulla, “Near real-time global solar radiation forecasting at multiple time-step horizons using the long short-term memory network”, Energies, 13(14), 3517, 2020. https://doi.org/10.3390/en13143517.
27. G. Guariso, G. Nunnari, M. Sangiorgio, “Multi-step solar irradiance forecasting and domain adaptation of deep neural networks”, Energies, 13(15), 3987, 2020. https://doi.org/10.3390/en13153987.
28. M. Mukhtar, A. Oluwasanmi, N. Yimen, Q. Zhang, C. C. Ukwuoma, B. Ezurike, O. Bamisile, “Development and comparison of two novel hybrid neural network models for hourly solar radiation prediction”, Applied Sciences, 12(3), 1435, 2022. https://doi.org/10.3390/app12031435.
29. B. Gao, X. Huang, J. Shi, Y. Tai, J. Zhang, “Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks”, Renewable Energy, 162, 1665–1683, 2020. https://doi.org/10.1016/j.renene.2020.09.141.
30. Y. Chen, W. Zhang, J. J. Peng, Y. Cai, “Multifactor spatio-temporal correlation model based on a combination of convolutional neural network and long short-term memory neural network for wind speed forecasting”, Energy Conversion and Management, 185, 783–799, 2019. https://doi.org/10.1016/j.enconman.2019.02.018.
31. I. Reda, A. Andreas, “Solar position algorithm for solar radiation applications (revised)”, National Renewable Energy Laboratory, Cole Boulevard Golden, Colorado, USA, NREL/TP-560-34302, 2008, https://docs.nlr.gov/docs/fy08osti/34302.pdf.
32. K. Beyer, J. Goldstein, R. Ramakrishnan, U. Shaft, “When is ‘nearest neighbor’ meaningful?”, Database Theory — ICDT’99, Lecture Notes in Computer Science, 1540, 217–235, 1999. https://doi.org/10.1007/3-540-49257-7_15.