TY  - JOUR
T1  - Regresyon Yöntemleri ile Güneş Enerjisi Tahmini
AU  - Ateş, Fatmanur
AU  - Şenol, Ramazan
PY  - 2023
DA  - December
Y2  - 2023
JF  - Yekarum
PB  - Süleyman Demirel Üniversitesi
WT  - DergiPark
SN  - 1309-9388
SP  - 94
EP  - 104
VL  - 8
IS  - 2
LA  - tr
AB  - Dünya üzerinde nüfusun artması ve sanayileşmenin hızlanmasıyla enerjiye olan ihtiyaçta artmaktadır. Enerji ihtiyacının karşılanması için temelde yenilenebilir ve yenilenemez enerji kaynakları kullanılmaktadır. Yenilenebilir enerji kaynakları doğaya zarar vermeyen ve sürekli olma özelliği taşıyan kaynaklar olduğundan son yıllarda kullanımı artış göstermektedir. Yenilenebilir enerji kaynaklarından biri olan güneş, elektrik enerjisi üretiminde kullanımı gün geçtikçe yaygınlaşan kaynaklardandır. Güneş enerjisinden elektrik enerjisinin üretimi pek çok farklı yöntemle yapılabilmektedir ve bu yöntemler artırılıp geliştirilmektedir. Ancak güneşten elektrik enerjisi üretiminin sürekli ve istikrarlı olması için bölgenin güneş ışınımının belirlenmesi ve güneş enerji santrallerinin güneş ışınımı göz önünde bulundurularak kurulması önem arz eder. Bu çalışmada Amerikan Meteoroloji Derneği (AMS) ’nin düzenlemiş olduğu güneş enerjisi tahmin yarışması için oluşturulan ve AMS tarafından kullanıma sunulan verilerden güneş enerjisi tahmini yapılmıştır. Veriler Oklahoma şehrinde “güneş enerjisi çiftlikleri” olarak hizmet veren 98 farklı güneş enerji istasyonundan alınmıştır. Kullanılan veri seti ile literatürde güneş enerjisi tahmini için bulunan mevcut modellere alternatif yapay zeka modeli önermek ve sonuçların iyileştirilmesi amaçlanmıştır. Çalışmada torbalama (bagging), k en yakın komşu (KNN) ve aşırı gradyan artırma (XGB)’ dan oluşan yapay zeka regresyon algoritmaları kullanılarak ve kullanılan algoritmaların hiper parametre ayarlamaları yapılarak model performanslarının iyileştirilmesi sağlanmış ve günlük güneş enerjisi tahmini yapılmıştır. Sonuçlar güneş enerjisi tahmin yarışması için belirlenen performans değerlendirme metriği olan ortalama mutlak hata (MAE) ile verilmiştir. Sonuçlar en iyi performansın torbalama algoritması ile elde edildiğini göstermektedir.
KW  - Güneş Enerjisi Tahmini
KW  - Regresyon
KW  - Torbalama Algoritması
CR  - M. Kozak ve Ş. Kozak, “Enerji depolama yöntemleri,” Uluslararası Teknolojik Bilimler Dergisi, 4(2), 17-29, 2012.
CR  - B. Saad, A. El Hannani, R. Errattahi, and A. Aqqal, “Assessing the impact of weather forecast models combination on the ams solar energy prediction,” In 2020 Fourth International Conference On Intelligent Computing in Data Sciences (ICDS), pp. 1-5, 2020. IEEE.  Doi: https://doi.org/10.1109/ICDS50568.2020.9268767
CR  - I. Araf, H. Elkhadiri, R. Errattahi, and A. El Hannani, “Ams solar energy prediction: A comparative study of regression models,” In 2019 Third International Conference on Intelligent Computing in Data Sciences (ICDS), pp. 1-5. IEEE, 2019.  Doi: https://doi.org/10.1109/ICDS47004.2019.8942237
CR  - A. Zameer, F. Shahid, M. Afzal, and M. Hassan, “Intelligent forecast models for daily solar energy prediction,” 2022.
CR  - D. Díaz–Vico, A. Torres–Barrán, A. Omari, and J. R Dorronsoro, “Deep neural networks for wind and solar energy prediction,” Neural Processing Letters, 46, pp. 829-844, 2017. Doi: https://doi.org/10.1007/s11063-017-9613-7
CR  - S. K. Aggarwal, and L. M. Saini, “Solar energy prediction using linear and non-linear regularization models: A study on AMS (American Meteorological Society) 2013–14 Solar Energy Prediction Contest,” Energy, 78, pp. 247-256, 2014. Doi: https://doi.org/10.1016/j.energy.2014.10.012
CR  - A. Torres-Barrán, Á. Alonso, and J. R.  Dorronsoro, “Regression tree ensembles for wind energy and solar radiation prediction,” Neurocomputing, 326, pp. 151-160, 2019. Doi: https://doi.org/10.1016/j.neucom.2017.05.104
CR  - R. Nematirad, and A. Pahwa, “Solar radiation forecasting using artificial neural networks considering feature selection,” In 2022 IEEE Kansas Power and Energy Conference (KPEC), pp. 1-4, IEEE, 2022. Doi: https://doi.org/10.1109/KPEC54747.2022.9814765
CR  - BoomerSooner, StormMiner, Will Cukierski, “AMS 2013-2014 Solar Energy Prediction Contest,” kaggle.com, 2013. [Online]. Available: https://kaggle.com/competitions/ams-2014-solar-energy-prediction-contest [Accessed: Oct. 22, 2023]
CR  - L. Breiman, “Bagging predictors,” Machine learning, 24, pp. 123-140, 1996.
CR  - S. Agarwal and C. R. Chowdary, “A-Stacking and A-Bagging: Adaptive versions of ensemble learning algorithms for spoof fingerprint detection,” Expert Systems with Applications, 146, 113160, 2020. Doi: https://doi.org/10.1016/j.eswa.2019.113160
CR  - T. Xia, P. Zhuo, L. Xiao, S. Du, D. Wang, and L. Xi, “Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm,” Neurocomputing, 433, pp. 237-251, 2021. Doi: https://doi.org/10.1016/j.neucom.2020.10.003
CR  - S. Tafralı, “K-en yakın komşu algoritması nasıl çalışır?” miuul.com, 2022. Erişim Adresi: https://miuul.com/not-defteri/k-en-yakin-komsu-algoritmasi-nasil-calisir [Erişim Tarihi: 05.11.2023]
CR  - G. Dilki ve Ö. D. Başar, “İşletmelerin İflas Tahmininde K-En Yakin Komşu Algoritmasi Üzerinden Uzaklik Ölçütlerinin Karşilaştirilmasi,” İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 19(38), 224-233, 2020.
CR  - E. Gül ve M. Kalyoncu, “Ağır Vasıta Hava Kompresörü Piston Segmanı Aşınması Durumlarında K-En Yakın Komşu Algoritmasının Sınıflandırma Performansının İncelenmesi,” Avrupa Bilim ve Teknoloji Dergisi, 78-90, 2020.
CR  - E. Taşcı ve A. Onan, “K-en yakın komşu algoritması parametrelerinin sınıflandırma performansı üzerine etkisinin incelenmesi,” Akademik Bilişim, 1(1), 4-18, 2016.
CR  - H. Abar, “Xgboost Ve Mars Yöntemleriyle Altin Fiyatlarinin Kestirimi,” Ekev Akademi Dergisi, (83), 427-446, 2020.
CR  - S. Guan, Y. Wang, L. Liu, J. Gao, Z. Xu, and S. Kan, “Ultra-short-term wind power prediction method based on FTI-VACA-XGB model,” Expert Systems with Applications, 235, 121185, 2024. Doi: https://doi.org/10.1016/j.eswa.2023.121185
CR  - M. F. Bekçioğullari, B. Dikici, H. Açikgöz ve Ö. F. Keçecioğlu, “Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması,” EMO Bilimsel Dergi, 11(22), 37-45, 2021.
CR  - Ö. A. Karaman ve Y. Bektaş, “Makine Öğrenmesi ve Optimizasyon Yöntemleri ile Uzun Dönem Elektrik Enerjisi Tahmini: Türkiye Örneği,” Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 285-292, 2023.
UR  - https://dergipark.org.tr/tr/pub/yekarum/issue//1388586
L1  - https://dergipark.org.tr/tr/download/article-file/3527903
ER  -