Güneş Enerjisi Potansiyelinin Çoklu Lineer Regresyon ve Yapay Sinir Ağları ile Modellenmesi

Öz

Son yıllarda fosil yakıt kaynaklarının tükenmeye başlaması ve çevresel kaygılar nedeniyle yenilenebilir enerji kaynaklarının mevcut enerji üretiminde kullanım payı giderek artmaktadır. En önemli yenilenebilir enerji kaynaklarından olan güneş enerjisi; temiz, sürdürülebilir ve çevre dostu enerji kaynağı olması nedeniyle öne çıkmaktadır. Bu nedenle mevcut güneş enerji sistemlerinin işletimi veya yeni sistemlerin kurulumu sırasında, ilgili bölgelerin güneş radyasyonu özelliklerinin bilinmesi ve tahmin edilmesi çok önemlidir. Bu çalışmada, İstanbul Büyükçekmece İlçesi Eskice Bölgesine ait 2016 yılı meteorolojik verileri (güneş radyasyonu, rüzgâr şiddeti, UV radyasyon indis, toprak üstü 5 cm sıcaklık, sıcaklık 2 m, rüzgâr yönü) kullanılarak güneş radyasyonu için ileriye yönelik kısa ve orta vadeli bir tahmin çalışması yapılmıştır. Modelleme için Çoklu Lineer Regresyon (ÇLR) ve esnek hesaplama yöntemlerinden biri olan Yapay Sinir Ağları (YSA) kullanılmıştır. Geliştirilen tüm modeller istatistiksel olarak karşılaştırılmıştır. Sonuçlar güneş radyasyonu tahmininde YSA modellerinin ÇLR modellerinden daha başarılı olduğunu göstermektedir. Mevsimsel olarak güneş radyasyonu için en başarılı tahmin Haziran ayında elde edilmiştir. Bu aşamada kullanılan YSA modeli ile güneş radyasyonu için R, nRMSE ve MAPE değerleri sırasıyla 0.912, %48.5, %28.21 olarak hesaplanmıştır. Bu verilere dayalı olarak seçilen inceleme bölgesinde ve Haziran ayında güneş enerji potansiyelinin yeter güvenirlik ile tahmin edilebileceği vurgulanabilir. 

Anahtar Kelimeler

• Yapay Sinir Ağları
• Güneş Enerjisi
• Güneş Radyasyonu Tahmini
• Kısa Vadeli Tahmin
• Çoklu Lineer Regresyon

Modeling of Solar Energy Potential With Multiple Lineer Regression and Artificial Neural Networks

Öz

In recent years due to the depletion of fossil fuel resources and environmental concerns, the share of renewable energy resources in the current energy production show an increasing trend. Solar energy one of the most important renewable energy sources; is a clean, sustainable and environmentally friendly energy source. Therefore it is very important to know and estimate the solar radiation properties of the respective regions during the operation of existing solar energy systems or the installation of new systems. In this study meteorological data of 2016 (solar radiation, wind intensity, UV radiation index, surface 5 cm temperature, temperature 2 m, wind direction) belonging to Eskice region of Büyükçekmece District of Istanbul were used for a estimation solar radiation short and medium term. Multiple Linear Regression (MLR), and Artificial Neural Networks (ANN) which is one of the soft computing methods were used for modeling. All models were compared statistically. The results show that ANN models are more successful than MLR models in solar radiation estimation. Seasonally the most successful forecast for solar radiation was obtained in June. With the ANN model used in this stage for solar radiation R, nRMSE and MAPE values were calculated as 0.912, 48.5% and 28.21% respectively. Based on these data, it can be emphasized that solar energy potential can be estimated with sufficient reliability in the selected region and in June.

Anahtar Kelimeler

• Artificial Neural Networks
• Solar Energy
• Solar Radiation Estimation
• Short Term Forecast
• Multiple Linear Regression

Kaynakça

1. Aghajani, A., Kazemzadeh, R., ve Ebrahimi, A. 2016. “A novel hybrid approach for predicting wind farm power production based on wavelet transform, hybrid neural networks and imperialist competitive algorithm”, Energy Conversion and Management, 121, 232-240.
2. Alkan, Ö., Öztürk, A., ve Tosun, S. 2018. “Rüzgâr ve Güneş Santrallerinde Kısa Dönem Enerji Üretim Tahmini İçin Matematiksel Modellerin Oluşturulması”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6(1), 188-195.
3. Aslan, Y., Yavasca, S., ve Yasar, C. 2011. “Long term Electric Peak load forecasting of Kutahya using different approaches”, International Journal on Technical and Physical Problems of Engineering, 3(2), 87-91.
4. Bou-Rabee, M., Sulaiman, S. A., Saleh, M. S., ve Marafi, S. 2017. Using artificial neural networks to estimate solar radiation in Kuwait , Renewable and Sustainable Energy Reviews, 72, 434-438.
5. Çakır, F. S. 2018. Yapay Sinir Ağları, I.Baskı, Nobel Akademik Yayıncılık, Ankara.
6. Çelik, Ö., Teke, A., ve Yıldırım, H. B. 2016. The optimized artificial neural network model with Levenberg– Marquardt algorithm for global solar radiation estimation in Eastern Mediterranean Region of Turkey., Journal of Cleaner Production, 116, 1-12.
7. Damodar, N. G. 2004. Basic Econometrics, 4th edition, The McGraw-Hill ,New York.
8. Elmas, Ç. 2016. Yapay Zeka Uygulamaları, III. Baskı, Seçkin Yayıncılık, Ankara.

9. Erdil, A., ve Arcaklioglu, E. 2013. The prediction of meteorological variables using artificial neural network., Neural Computing and Applications, 22(7-8), 1677-1683.
10. Fan, J., Wu, L., Zhang, F., Cai, H., Zeng, W., Wang, X., ve Zou, H. 2019. Empirical and machine learning models for predicting daily global solar radiation from sunshine duration: A review and case study in China., Renewable and Sustainable Energy Reviews, 100, 186-212.
11. Ghofrani, M., Azimi, R., ve Youshi, M. 2019. Pattern Recognition and Its Application in Solar Radiation Forecasting., IntechOpen.
12. Ghorbani, M. A., Khatibi, R., FazeliFard, M. H., Naghipour, L., ve Makarynskyy, O. 2016. Short-term wind speed predictions with machine learningtechniques., Meteorology and Atmospheric Physics, 128(1), 57-72.
13. Kılıç, F. Ç. 2015. Güneş Enerjisi, Türkiye’deki Son Durumu ve Üretim Teknolojileri. Engineer & The Machinery Magazine, 56(671), 28-40,available in https://www.mmo.org.tr/sites/default/files/09677e0899d72e8_ ek%281%29.pdf.
14. Li, G., ve Shi, J. 2010. On comparing three artificial neural networks for wind speed forecasting., Applied Energy, 87(7), 2313-2320.
15. Long, H., Zhang, Z., ve Su, Y. 2014. Analysis of daily solar power prediction with data-driven approaches., Applied Energy, 126, 29-37.
16. Nabiyev, V. V. 2016. Yapay Zeka, V. Baskı, Seçkin Yayıncılık, Ankara.
17. Nourani, V., Komasi, M., ve Mano, A. 2009. A multivariate ANN-wavelet approach for rainfall–runoff modeling., 23(14), 2877–2894.
18. Özkan, Y. 2016. Veri Madenciliği Yöntemleri, III. Baskı, Papatya Yayıncılık Eğitim, İstanbul.
19. Öztemel, E. 2016. Yapay Sinir Ağları, IV. Baskı, Papatya Yayıncılık, İstanbul.
20. Rahman, M. M., B.Mostafiz, S., Paatero, J. V., ve Lahdelma, R. 2014. Extension of energy crops on surplus agricultural lands: A potentially viable option in developing countries while fossil fuel reserves are diminishing., Renewable and Sustainable Energy Reviews, 29, 108-119.
21. Sun, S., Wang, S., Zhang, G., ve Zheng, J. 2018. A decomposition-clustering-ensemble learning approach for solar radiation forecasting., Solar Energy, 163, 189-199.
22. Yılmaz, E. A., ve Öziç, H. C. 2018. Türkiye’nin Yenilenebilir Enerji Potansiyeli Ve Gelecek Hedefleri., ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 8(3), 525-535.
23. Yücesoy, M. 2011. Temizlik kâğıtları sektöründe yapay sinir ağları ile talep tahmini., Dotora Tezi, İTÜ Fen Bilimleri Enstitüsü, İstanbul.
24. Zang, H., Cheng, L., Ding, T., Cheung, K. W., Wang, M., Wei, Z., ve Sun, G. 2019. Estimation and validation of daily global solar radiation by day of the year-based models for different climates in China., Renewable Energy, 135, 984-1003.