Determination of Radiation Value by Month Using Artificial Neural Network Model; Ankara, Sivas, Erzurum example

Öz

This research examines the estimation of solar radiation using artificial neural network (ANN) models in Turkish cities with similar latitude values such as Ankara, Sivas and Erzurum. The aim of this study is to investigate whether cities at similar latitudes exhibit similar trends in solar radiation values, despite their geographical differences. In this study, solar radiation prediction was made for 3 cities with a single-layer neural network. Monthly solar radiation intensity was estimated for the 10-year period between 2012 and 2022 with a total of 4764 samples taken from the General Directorate of State Meteorology. An artificial neural network model was developed with 8 units in the first hidden layer and 4 units in the second hidden layer. The optimizer used in compiling the model was determined as Adam, the loss function as 'mean_squared_error' and the metric as 'mse'. ReLU activation function was used in the input layer and hidden layers. A 10-year solar radiation intensity value was used in the output layer. 70% of the data set is reserved for training and 30% for testing data set. As a result, similar solar radiation trends were obtained in the same latitude regions, the results were confirmed by meteorological data.

Anahtar Kelimeler

• solar radiation
• artifical neural network
• latitude

Etik Beyan

Bu çalışmanın, özgün bir çalışma olduğunu; çalışmanın hazırlık, veri toplama, analiz ve bilgilerin sunumu olmak üzere tüm aşamalarından bilimsel etik ilke ve kurallarına uygun davrandığımı; bu çalışma kapsamında elde edilmeyen tüm veri ve bilgiler için kaynak gösterdiğimi ve bu kaynaklara kaynakçada yer verdiğimi; kullanılan verilerde herhangi bir değişiklik yapmadığımı beyan ederim.

Kaynakça

1. [1] Acır, A., Canlı, M.E., Ata, İ., Tanürün, H.R. (2019). Effects of a circular-shaped turbulator having varying hole numbers on energy and exergy efficiencies of a solar air heater. International Journal of Ambient Energy, Volume 40, Issue 7, 739-748.
2. [2] Çırak, B., Pınar, A. (2021). Investigation of Innovations in Solar Generator Systems. Journal of Soft Computing and Artificial Intelligence, 2(1), 27-40.
3. [3] Şimşek, B., Pençe, İ., Naz, M.Y., Güngör, A. (2020). The Future of Fossil Energy Sources and The Change of Global Energy Policies. Techno-Science, 3:1, 46-49.
4. [4] Temiz, D., Gökmen, A. (2010). The Importance Of Renewable Energy Sources In Turkey. International Journal of Economics and Finance Studies, Vol 2, No 2, 23-30.
5. [5] Kara, G., Altuğ, F., Kavaklioğlu, K., Cavlak, U. (2020). Nörolojik rehabilitasyonda yapay sinir ağı uygulamaları. Cukurova Medical Journal, 45(4), 1844 -1846.
6. [6] Akbulut, İ., Özcan, B. (2020). Hava Kirliliği Tahmini: Yapay Sinir Ağları Ve Regresyon Yöntemleriyle Bir Karşılaştırma. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 3(1), 12- 22.
7. [7] Ertaylan, A., Aktaş, Ö., Doğan, Y. (2021). Yapay Sinir Ağları Ile Piyasa Takas Fiyatı Tahminlemesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 23(67), 93 – 105.
8. [8] Çinaroğlu, E., Avci, T. (2020). Thy Hisse Senedi Değerinin Yapay Sinir Ağları İle Tahmini. Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 34(1), 1 – 19.

9. [9] Yavuz, M., Sakarya, Ş., Özdemir, N. (2015). Yapay Sinir Ağlari İle Risk-Getiri Tahmini Ve Portföy Analizi. Niğde Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 8(4), 87 - 107.
10. [10] Aydoğan, İ., Zirhlioğlu, G. (2018). Öğrenci Başarılarının Yapay Sinir Ağları ile Kestirilmesi. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 15(1), 577 – 610.
11. [11] Can, N.S., Şahin, A.Ş. (2021). Yapay sinir ağları metodu ile günlük çiğ noktası sıcaklığı tahmini. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 11(4), 1154 – 1163.
12. [12] Arıman, S., Taflan, G.Y., Çelik, E. (2021). Samsun Bölgesi için Güneş Radyasyonunun Yapay Sinir Ağı ile Tahmini. Avrupa Bilim ve Teknoloji Dergisi, no.25, 680-687.
13. [13] Aslay, F., Özen, Ü. (2013). Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları İle Toprak Sıcaklığının Tahmini. Politeknik Dergisi, 16(4), 139-145.
14. [14] Boznar, M.Z., Grasic, B., Oliveira, A.P., Soares, J., Mlakar, P. (2017). Spatially transferable regional model for half-hourly values of diffuse solar radiation for general sky conditions based on perceptron artificial neural networks. Renewable Energy, Volume 103, Pages 794-810.
15. [15] Akal, D., Umut, İ. (2022). Fotovoltaik Panellerde Güç Tahminlenmesi için Yapay Zekâ Yöntemlerinin Kullanılması. Tekirdağ Ziraat Fakültesi Dergisi, 19(2), 435-445.
16. [16] Daş, M., Akpınar, E. (2018). Sabit ve Hareketli Hava ile Isıtılan Güneş Kolektörlerinin Isıl Verimliliklerinin Karşılaştırılması ve Yapay Sinir Ağları ile Modellenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(1), 41-46.
17. [17] Arslan, M., Terzioğlu, H. (2020). Estimation of Solar Radiation Value using Artificial Intelligence Networks. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı (ICCEES), 488-497.
18. [18] Şeker, M. (2021). Yapay Sinir Ağı (YSA) Kullanılarak Meteorolojik Verilere Dayalı Solar Radyasyon tahmini. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(69), 923-935.
19. [19] Tehrani, A.A., Veisi, O., Fakhr, B.V., Du, D. (2024). Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking. Sustainable Cities and Society, Volume 100, 105042.
20. [20] Nimmy, P., Nagaraja, K.V., Srilatha, P., Karthik, K., Sawmya, G., Kumar, R.S.V., Khan, U., Hussain, S.M., Hendy, A.S., Ali, M.R. (2023). Implication of radiation on the thermal behavior of a partially wetted dovetail fin using an artificial neural network. Case Studies in Thermal Engineering, Volume 51, 103552.
21. [21] Veisi, O., Shakibamanesh, A., Rahbar, M. (2022). Using intelligent multi-objective optimization and artificial neural networking to achieve maximum solar radiation with minimum volume in the archetype urban block. Sustainable Cities and Society, Volume 86, 104101.
22. [22] Li, H., He, X., Hu, Y., Lv, W., Yang, L. (2024). Research on the generation method of missing hourly solar radiation data based on multiple neural network algorithm. Energy, Volume 287, 129650.
23. [23] Evrendilek, F., Ertekin, C. (2008). Assessing solar radiation models using multiple variables over Turkey. Climate Dynamics, 31, 131–149.
24. [24] https://www.mgm.gov.tr/
25. [25] Çakıroğlu, R., Tanürün, H.E., Acır, A. et al. (2023). Optimization of NACA 4412 augmented with a gurney flap by using grey relational analysis. J Braz. Soc. Mech. Sci. Eng. 45, 167.
26. [26] Ertürk,S., Kara,H., Akkuş,C., Genç,G. (2023). Türkiye’de Farklı İklim Kuşakları İçin Yapay Sinir Ağları Kullanılarak Güneş Işınımının Tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 11(4): 885-892.