Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması

Yıl 2021, Cilt: 11 Sayı: 22, 37 - 45, 30.12.2021

Mehmet Fatih Bekçioğulları Bünyamin Dikici Hakan Açıkgöz Ö. Fatih Keçecioğlu

Öz

Günümüzde, güneş enerji santrallerine yapılan yatırımlar her geçen gün kayda değer derecede artış göstermektedir. Güneş enerjisinin meteorolojik parametrelere bağlı olarak değişken olması enerji üretiminin planlanmasını nispeten zorlaştırmaktadır. Bu durum şebeke işletme problemlerine yol açabileceğinden güneş enerjisi tahmini önemli bir konu haline gelmiştir. Bu çalışmada, makine öğrenmesi metotlarının kısa-dönemli güneş enerjisi tahmini yapabilirliği karşılaştırılmıştır. İlk olarak, Avustralya, Alice Springs’de bulunan bir güneş enerji merkezindeki 1B: Trina isimli santralin çıkış güç verisi ve bölgedeki ölçüm istasyonundan alınan meteorolojik parametrelerden oluşan bir veri seti elde edilmiştir. Daha sonra güç verisi Ampirik mod ayrıştırma yöntemi ile alt bileşenlerine ayrılmıştır. Bu çalışmada, güneş enerjisinin tahmini için Doğrusal Regresyon (DR), Destek Vektör Makinesi (DVM), Karar Ağacı Regresyonu (KAR), Gauss Süreç Regresyonu (GSR) ve Topluluk Regresyonu (TR) gibi en çok kullanılan yöntemler tercih edilmiştir. Bu yöntemlerin farklı tahmin ufuklarındaki tahmin performanslarını değerlendirmek için karşılaştırma çalışmaları gerçekleştirilmiştir. Bu çalışmalarda, tüm makine öğrenme yöntemleri için R, RMSE ve MAE gibi performans metrik sonuçları hesaplanmıştır. Elde edilen metrik sonuçlarına göre DVM’nin en iyi tahmin sonucunu sağladığı gözlemlenmiştir.

Anahtar Kelimeler

Ampirik mod ayrıştırıcı, Güneş Enerjisi, Makine Öğrenmesi, Tahmin

Kaynakça

• [1] Ahmed, R., Sreeram, V., Mishra, Y., Arif, M.D. “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization”, Renewable and Sustainable Energy Reviews, 124, pp. 1-26, 2020.
• [2] Akhter, M.N., Saad, M., Hazlie, M., Noraisyah, M. S. “Review on forecasting of photovoltaic power generation based on machine learning and metaheuristic techniques”, IET Renewable Power Generation, 13(7), pp. 1009-1023, 2019.
• [3] Kim, S., Jung, J., Sim, M. “A two-step approach to solar power generation prediction based on weather data using machine learning”, Sustainability, 2019.
• [4] Sobri, S., Koohi-Kamali, S., Rahim, N. “Solar photovoltaic generation forecasting methods: a review”, Energy Conversion and Management, 156 pp. 459–97, 2017.
• [5] Raza, M., Q., M. Nadarajah, C. Ekanayake. “On recent advances in PV output power forecast”, Solar Energy,136, pp.125-144, 2016.
• [6] Şahan, M., Okur, Y. “Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini”, Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 11(1) ,ss. 61-71, 2016.
• [7] Demolli, H., Dokuz, A. Ş., Gokcek, M., Ecemiş, A. “Makine Öğrenmesi Algoritmalarıyla Güneş Enerjisi Tahmini: Niğde İli Örneği”, International Turkic World Congress on Science and Engineering, ss. 775-783, 2019.
• [8] Gök, A.O., Yıldız, C., Şekkeli M. “Yapay sinir ağları kullanarak kısa dönem güneş enerjisi santrali üretim tahmini: Kahramanmaraş örnek çalışması”, Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 1(2), ss.186-195, 2019.
• [9] Wolff, B., Kühnert, J., Lorenz, E., Kramer, O., Heinemann, D. “Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data”, Solar Energy, 135, ss. 197-208, 2016.
• [10] Mahmud, K., Azam, S., Karim, A., Zobaed, S. “Machine learning based pv power generation forecasting in alice springs”, IEEE Access, pp. 1-13, 2021.
• [11] Massaoudi, M., Chihi I., Sidhom L., Trabelsi M., Refaat, S., Abu-Rub, H. “ An effective hybrid narx-lstm model for point and interval pv power forecasting”, IEEE Access, 9, pp. 36571-36588, 2021.
• [12] Korkmaz, D., Açıkgöz, H., Yıldız C. “A novel short-term photovoltaic power forecasting approach based on deep convolutional neural network”, Int J Green Energy,18, pp. 1–15, 2021.
• [13] Yıldız, C., Açıkgöz, H. “A kernel extreme learning machine-based neural network to forecast very short-term power output of an on-grid photovoltaic power plant”, Energy Sources Part A: Recovery, Utilization and Environmental Effects, 43(4), pp. 395–412, 2021.
• [14] Yulita, I. N., Abdullah, A. S., Helen, A., Hadi, S., Sholahuddin, A., Rejito J. “Comparison multi-layer perceptron and linear regression for time series prediction of novel coronavirus covid-19 data in West Java”, Journal of Physics: Conference Series,1722, pp. 1-8, 2021.
• [15] Abdullah, A. S., Ruchjana, B. N., Jaya, M., Soemartini. “Comparison of sarıma and svm model for rainfall forecasting in bogor city ındonesia” Journal of Physics: Conference Series, 1722, pp. 1-8, 2020.
• [16] Guo, W., Che, L., Shahidehpour, M., Wan X. “Machine-Learning based methods in short-term load forecasting”, The Electricity Journal, 34, 2021.
• [17] Jijo, B. T., Abdulazeez, A. M. “Classification based on decision tree algorithm for machine learning”, Journal Of Applied Science And Technology Trends, 2(1), pp. 20-28, 2021.
• [18] Murlidhar, B. R., Bejarbaneh, B. Y., Armaghani D. J., Mohammed A. S., Mohamad E. T. “Application of tree-based predictive models to forecast air overpressure induced by mine blasting”, Natural Resources Research, 30(2), 2021.
• [19] Saha, M., Santara, A., Mitra, P., Chakraborty, A. Nanjundiah R S. “Prediction of the indian summer monsoon using a stacked autoencoder and ensemble regression model”, International Journal of Forecasting, 37, pp. 58-71, 2021.
• [20] Ghasemi, P., Karbasi, M., Nouri, A. Z., Tabrizi, M. S., Azamathulla, H. M. “Application of gaussian process regression to forecast multi-step ahead SPEI drought index” Alexandria Engineering Journal, 60(6), pp. 5375–5392, 2021.
• [21] Qiu, X., Ren, Y., Suganthan, P. N., Amaratunga, G. “Empirical Mode decomposition based ensemble deep learning for load demand time series forecasting”, Applied Soft Computing Journal, 54, pp. 246–55, 2017.