Akdeniz Bölgesine Ait Meteorolojik Veriler Kullanılarak Yapay Sinir Ağları Yardımıyla Güneş Enerjisinin Tahmini

Year 2016, Volume: 11 Issue: 1, 61 - 71, 24.05.2016

Muhittin Şahan , Yüksel Okur

Abstract

Özet: Akdeniz Bölgesinden seçilen on dört yerleşke yerine ait aylık ortalama toplam güneş ışınım şiddetini tahmin etmek amacıyla yapay sinir ağı (YSA) modeli kullanılmıştır. Geliştirilen YSA’nın mimari yapısı logaritmik sigmoid transfer fonksiyonu kullanan on iki nöronlu bir gizli katmandan ve lineer transfer fonksiyonu kullanan bir çıktı katmandan oluşan ileri beslemeli geri yayılımlı bir modeldir. YSA modelinde Levenberg Marquand geri yayılım eğitim algoritması kullanılmıştır. 1993-2010 yılları arasındaki meteorolojik ve coğrafik veriler(aylık ortalama güneş ışınımı, ortalama hava sıcaklığı, minimum toprak üstü sıcaklığı, 5cm’deki toprak sıcaklığı, bağıl nem, bulutluluk, hava basıncı, güneşlenme süresi, istasyon, ay, enlem, boylam ve yükseklik)Meteoroloji Genel Müdürlüğü’nden alınmıştır.Tahmin edilen ve ölçülen aylık ortalama toplam güneş ışınımı istatistik yöntemler kullanılarak karşılaştırılmıştır.R2, RMSE, MAPE, MSE, MABE ve WI istatistiksel değerleri sırasıyla %94,1.562 MJ/m2, %7.9, 2.441MJ/m2, 1.072 MJ/m2 ve 0.983MJ/m2olarak bulunmuştur. Sonuçlar, tahmin edilen ve ölçülen toplam güneş ışınım şiddetinin değerleri arasında oldukça uyumlu olduğunu göstermiştir. Geliştirilen YSA modelinin diğer yerleşim yerleri ve farklı durumlar için tahmin etmede kullanılabileceğini önermekteyiz.

Anahtar kelimeler: Güneş ışınım şiddeti, yapay sinir ağları, meteorolojik veriler, modelleme, tahmin metodu

Estimation of the Solar Radiation Using Some Meteorological Data for the Mediterranean Region with the Artificial Neural Network

Abstract: An artificial neural network (ANN) model was used to estimate monthly average global solar radiation on a horizontal surface for selected 14 locations in Mediterranean region. The ANN architecture designed is a feed-forward back-propagation model with one hidden layer containing twelve neurons with logarithmic sigmoid as the transfer function and one output layer utilized a linear transfer function. The training algorithm used in ANN model was the Levenberg Marquand back propagation algorithm. The data between 1993-2010 based on meteorological and geographical parameters (monthly mean global solar radiation, average air temperature, minimum soil surface temperature, soil temperature at depths of 5 cm, relative humidity, cloudiness, vapor pressure, and sunshine duration, station, month, latitude, longitude, and altitude) were taken from Turkish State Meteorological Service. Estimated and measured average global solar radiation were compared by using statistical methods. The R2, RMSE, MAPE, MSE, MABE, and WIvalues were found to be 94%, 1.562MJ/m2, 7.9%, 2.441MJ/m2, 1.072 MJ/m2, and 0.983MJ/m2, respectively. Results show good agreement between the estimated and measured values of global solar radiation. We suggest that the developed ANN model can be used to predict solar radiation another location and conditions.

Key words: Solar radiation, artificial neural network, meteorological data, modeling, estimation method

Keywords

Güneş ışınım şiddeti, yapay sinir ağları, meteorolojik veriler, modelleme, tahmin metodu

References

• [1] Duncan C.H., Willson R.C., Kendall J. M., Harrison R.G., Hickey J.R., 1982. Latest rocket measurements of the solar constant, Solar Energy, 28: 385-387.
• [2] Iqbal M., 1983. An introduction to solar radiation, Academic Press Chap. 3.
• [3] Foukal P.V., 1990. Solar Astrophysics, Wiley-Interscience, New York.
• [4] Duffie J.A., Beckman W.A., 1991. Solar engineering of thermal processes, 2th Edition, John Wiley and Sons Inc., New York.
• [5] Altın V., 2002. Yenilenebilir enerji kaynakları, Bilim-Teknik Dergisi – Yeni Ufuklara Eki, TÜBİTAK, 410: 2-23.
• [6] Elminir H.K., Areed F.F. Elsayed T.S., 2005. Estimation of Solar radiation components incident on Helwan Site using neural networks, Science Direct Solar Energy, 79: 270–279.
• [7] Krishnaiah T., SrinivasaRao S., Madhumurthy K., Reddy K.S., 2007. Neural network approach for modeling global solar radiation, Journal of Applied Sciences Research, 3 (10): 1105-1111.
• [8] Mubiru J., Banda E.J.K.B., 2008. Estimation of monthly average daily global solar irradiation using artificial neural networks, Science Direct Solar Energy, 82: 181-187.
• [9] Alama S., Kaushikb S.C., Garg S.N., 2006. Computation of beam solar radiation at normal incidence using artificial neural network, Science Direct Renewable Energy, 31: 1483-1491.
• [10] Fadare D.A., Irimisose I., Oni A.O., Falana A., 2010. Modeling of solar energy potential in Africa using an artificial neural network, American Journal ofScientific and Industrial Research, 1(2): 144-157.
• [11] Basheer I.A., Hajmeer M., 2000.Artificial neural networks: fundamentals, computing, design, and Application,Journal of Microbiological Methods, 43: 3-31.
• [12] Graupe D., 2007. Princıples of artificial neural networks, (2nd Edition), advanced series on circuits and systems, 6, World Scientific Publishing Co. Pte. Ltd.
• [13] Singh K. P., Basant A., Malik A., Jain G., 2009. Artificial neural network modeling oftheriver water quality-A case study, Ecological Modelling, 220: 888-895.
• [14] Russel S., Norvig P., 2010. Artificial intelligence a modern approach, Third edition,Prentice Hall, Englewood Cliffs, New Jersey.
• [15] Krishnaiah T., SrinivasaRao S., Madhumurthy K. ve Reddy K.S., 2009. Neural network approach for modelling global solar radiation, Journal of Applied Sciences Research, 3(10): 1105-1111.
• [16] Elmas Ç., 2003. Yapaysinirağları (kuram, mimari, eğitim, uygulama), SeçkinYayıncılık, Ankara.
• [17] Bahadır İ., 2008. Bayes teoremi ve yapay sinir ağları modelleriyle borsa gelecek değer tahmini uygulaması, TOBB Ekonomi ve Teknoloji Üniversitesi, FBE-Yüksek Lisans Tezi, Ankara.
• [18] Suzuki K., 2011. Artificial Neural networks-methodological advances and biomedical applications, InTech, JanezaTrdine 9, Rijeka, Croatia.
• [19] Fırat M., Güngör M., 2002. Askı madde konsantrasyonu ve miktarının yapay sinir ağları ile belirlenmesi, İMO Teknik Dergisi, 3267-3282.
• [20] Hawley D.D., Johson J.D., Raina D., 1990. Artificial neural systems: A New tool for financial decision making, Financial Analysts Journal, 46(6): 63-72.
• [21] Okur Y., 2016. Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Osmaniye Korkut Ata Üniversitesi, Osmaniye.
• [22] De L.A.S., 1998. Forecasting principles and applications, Irwin, McGraw-Hill, Singapore.
• [23] Zhang G., Hu M.Y., 1998. Neural network forecasting of the British pound/us dollar exchange rate, Omega, 26(4): 495-506.
• [24] Cho V.A., 2003. Comparison of three different approaches to tourist arrival forecasting, Tourism Management, 24: 323-330.
• [25] Kalogriou S.A., 2000. Applications of artificial neural-networks for energy systems, Applied Energy, 67: 17-35.