Comparison of successes of different hybrid method formation strategies in short-term solar radiation prediction

Yıl 2025, Cilt: 15 Sayı: 1, 75 - 92, 15.03.2025

Nazmiye Bozok , Emre Akarslan , Said Mahmut Çınar

Öz

The solar radiation value carries important information about the amount of energy we can obtain from the sun, and predicting the future value of radiation is necessary for proper planning. In this context, various prediction models have been developed, and recently, hybrid models developed to take advantage of the strengths of different models have come to the forefront. This study examines the success of different hybrid model formation strategies in solar radiation prediction. Two regression models (AR and RIDGE) and two artificial intelligence methods (Artificial Neural Network (ANN) and Elman Neural Network (ENN)) were selected as reference methods. Four different hybrid models were created using different hybrid model formation strategies from these four methods. Solar radiation data were first modeled individually using each method and then the same process was carried out using the created hybrid models. The results obtained with the hybrid models were compared both with each other and with the results obtained from individual models, and their performances were evaluated.

Anahtar Kelimeler

Solar radiation, Hybrid strategy, Regression model, Artificial neural network model

Kısa dönem güneş ışınım tahmininde farklı hibrit yöntem oluşturma stratejilerinin başarılarının karşılaştırılması

Öz

Güneş ışınım değeri, güneşten sağlayabileceğimiz enerji miktarı konusunda önemli bir bilgi taşır ve uygun bir planlama için ışınımın gelecek değerinin kestirilebilmesi gerekir. Bu kapsamda çok farklı tahmin modelleri geliştirilmiş olup, son dönemde, farklı modellerin üstünlüklerinden faydalanmak amacıyla geliştirilen hibrit modeller ön plana çıkmaktadır. Bu çalışmada farklı hibrit model oluşturma stratejilerinin güneş ışınım tahminindeki başarısı incelenmiştir. Bu kapsamda iki regresyon modeli (AR ve RIDGE) ile iki yapay zekâ yöntemi (Yapay Sinir Ağı (YSA) ve Elman Sinir Ağı (ENN)) referans yöntemler olarak seçilmiştir. Bu dört yöntemden farklı hibrit model oluşturma stratejileri kullanılarak 4 farklı hibrit model oluşturulmuştur. Güneş ışınım verileri önce her bir yöntem bireysel kullanılarak modellenmiş sonra aynı süreç oluşturulan hibrit modeller ile gerçekleştirilmiştir. Hibrit modeller ile elde edilen sonuçlar hem birbirleri ile hem de bireysel modellerden elde edilen sonuçlar ile karşılaştırılmış ve performansları değerlendirilmiştir.

Anahtar Kelimeler

Güneş ışınımı, Hibrit strateji, Regresyon modeli, Yapay sinir ağı modeli

Kaynakça

• Alkan, Ö., Öztürk, A., & Tosun, S. (2018). Rüzgâr ve güneş santrallerinde kısa dönem enerji üretim tahmini için matematiksel modellerin oluşturulması. Düzce Üniversitesi Bilim Ve Teknoloji Dergisi, 6(1), 188-195. https://doi.org/10.29130/dubited.359698
• Akarslan, E., & Hocaoglu, F. O. (2017). A novel method based on similarity for hourly solar irradiance forecasting. Renewable Energy, 112, 337–346. https://doi.org/https://doi.org/10.1016/j.renene.2017.05.058
• Akarslan, E., Hocaoğlu, F. O., & Edizkan, R. (2014). A novel M-D (multi-dimensional) linear prediction filter approach for hourly solar radiation forecasting. Energy, 73, 978–986. https://doi.org/https://doi.org/10.1016/j.energy.2014.06.113
• Akarslan, E., & Hocaoglu, F. O. (2016). A novel adaptive approach for hourly solar radiation forecasting. Renewable Energy, 87, 628–633. https://doi.org/10.1016/j.renene.2015.10.063
• Al-Shamisi, M. H., Assi, A. H., & Hejase, H. A. N. (2013). Artificial neural networks for predicting global solar radiation in al ain city-UAE. International Journal of Green Energy, 10(5), 443–456. https://doi.org/10.1080/15435075.2011.641187
• Arseven, B., & Çınar, S. M. (2023). Dünya dışı ışınımlarla iyileştirilmiş ARIMA, ridge regresyon ve lasso regresyon yöntemlerinin saatlik ışınım tahmininde kullanılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 12(3), 733-742. https://doi.org/10.28948/ngumuh.1249503
• Başaran Filik, Ü., & Filik, T. (2017). Kısa-Dönem Rüzgâr Hızının Tahmininde Otoregresif ve Yapay SinirAğları Tabanlı Yeni Bir Hibrit Yaklaşım. Karaelmas Fen ve Mühendislik Dergisi, 7(2), 419-427.
• Belmahdi, B., Louzazni, M., Marzband, M., & El Bouardi, A. (2023). Global Solar Radiation Forecasting Based on Hybrid Model with Combinations of Meteorological Parameters: Morocco Case Study. Forecasting, 5(1), 172–195. https://doi.org/10.3390/forecast5010009
• Benmouiza, K., Cheknane, A. %J E. C., & Management. (2013). Forecasting hourly global solar radiation using hybrid k-means and nonlinear autoregressive neural network models. Energy Conversion and Management 75, 561–569. https://doi.org/10.1016/j.enconman.2013.07.003
• Büyükuysal, M. C. (2010). Ridge regresyon analizi ve bir uygulama. [Yüksek Lisans Tezi, Uludağ Üniversitesi Sağlık bilimleri Enstitüsü]
• Cho, M., Chang, J., & Huang, C. (2020). Application of parallel Elman neural network to hourly area solar PV plant generation estimation. International Transactions on Electrical Energy Systems, 30(8), e12470. https://doi.org/10.1002/2050-7038.12470
• Çevik, S., Çakmak, R., & Altaş, İ. H. (2017, September). A day ahead hourly solar radiation forecasting by artificial neural networks: A case study for Trabzon province. In 2017 international artificial intelligence and data processing symposium (IDAP) (pp. 1-6).
• Demirgül, T., Demir, V., & Sevimli, M. F. (2024). Farklı makine öğrenmesi yaklaşımları ile Türkiye’nin solar radyasyon tahmini. Geomatik, 9(1), 106-122. https://doi.org/10.29128/geomatik.1374383
• Deniz, E., & Kemal, A. bilimi ve tekniği dergisi. (2007). Güneş Işınım Şiddeti Tahminlerinde Yapay Sinir Ağları Ve Regresyon Analiz Yöntemleri Kullanımının İncelenmesi. Isı Bilimi ve Tekniği Dergisi 27(2), 15–20.
• El-Amarty, N., Marzouq, M., El Fadili, H., Bennani, S. D., & Ruano, A. (2023). A comprehensive review of solar irradiation estimation and forecasting using artificial neural networks: data, models and trends. Environmental Science and Pollution Research, 30(3), 5407–5439. https://doi.org/10.1007/s11356-022-24240-w
• Ehmeind Maham, F., & Akarslan, E. (2022). Güneş Işınım Tahmini için Farklı Güneşlenme Durumlarından Faydalanan Hibrit Bir Yöntem Tasarımı. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 22(3), 588-596. https://doi.org/10.35414/akufemubid.1074290
• Gabralı, D., & Aslan, Z. (2020). Güneş Enerjisi Potansiyelinin Çoklu Lineer Regresyon ve Yapay Sinir Ağları ile Modellenmesi. AURUM Journal of Engineering Systems and Architecture, 4(1), 23-36.
• Gairaa, K., Khellaf, A., Messlem, Y., & Chellali, F. (2016). Estimation of the daily global solar radiation based on Box–Jenkins and ANN models: A combined approach. Renewable and Sustainable Energy Reviews, 57, 238–249. https://doi.org/https://doi.org/10.1016/j.rser.2015.12.111
• Guher, A. B., Tasdemir, S., & Yaniktepe, B. (2020). Effective Estimation of Hourly Global Solar Radiation Using Machine Learning Algorithms. International Journal of Photoenergy, 2020, 8843620. https://doi.org/10.1155/2020/8843620
• Gutierrez-Corea, F.V., Manso Callejo, M. A., Moreno Regidor, M. P., & Manrique Sancho, M.T. (2016). Forecasting short term solar irradiance based on artificial neural networks and data from neighboring meteorological stations. Solar Energy, 134, 119–131. https://doi.org/10.1016/j.solener.2016.04.020
• Gök, A. O., Yıldız, C., & Şekkeli, M. (2019). Yapay sinir ağları kullanarak kısa dönem güneş enerjisi santrali üretim tahmini: Kahramanmaraş örnek çalışması. Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 1(2), 186-195.
• Hocaoglu, F. O., & Serttas, F. (2017). A novel hybrid (Mycielski-Markov) model for hourly solar radiation forecasting. Renewable Energy, 108, 635–643. https://doi.org/10.1016/j.renene.2016.08.058
• Jallal, M. A., Chabaa, S., Yassini, A. E., Zeroual, A., Ibnyaich, S., & Raoufi, M. (2019). Elman Neural Network for Solar Radiation Components Forecasting based on the Desired Tilt Angle. 2019 7th International Renewable and Sustainable Energy Conference (IRSEC), 1–5. https://doi.org/10.1109/IRSEC48032.2019.9078281
• Ji, W., & Chee, K. C. (2011). Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN. Solar Energy, 85(5), 808–817. https://doi.org/10.1016/j.solener.2011.01.013
• Mukaram, M.Z., & Yusof, F. (2017). Solar radiation forecast using hybrid SARIMA and ANN model. Malaysian Journal of Fundamental and Applied Sciences, 13, 346-350.
• Rangel-Heras, E., Angeles-Camacho, C., Cadenas-Calderón, E., & Campos-Amezcua, R. (2022). Short-term forecasting of energy production for a photovoltaic system using a NARX-CVM hybrid model. Energies, 15(8), 2842. https://doi.org/10.3390/en15082842
• Sansa, I., Boussaada, Z., & Bellaaj, N. M. (2021). Solar radiation prediction using a novel hybrid model of ARMA and NARX. Energies, 14(21), 6920. https://doi.org/10.3390/en14216920
• Thaker, J., & Höller, R. (2022). A comparative study of time series forecasting of solar energy based on irradiance classification. Energies, 15(8), 2837. https://doi.org/10.3390/en15082837
• Vecan, D., (2011). Measurement and Comparison of Solar Radiation Estimation Models for İzmir/Turkey: İzmir Institute of Technology Case [Master Thesis, Izmir Institute of Technology].
• Yalçın, S., & Herdem, M. S. (2022). Prediction and Analysis of Weather Parameters with Global Horizontal Solar Irradiance Using LSTM-CNN Based Deep Learning Technique. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9(1), 340–356. https://doi.org/10.35193/bseufbd.1037563
• Zhen-Yu, H., & Lian-Wen, J. (2008). Activity recognition from acceleration data using AR model representation and SVM. 2008 International Conference on Machine Learning and Cybernetics, 4, 2245–2250. https://doi.org/10.1109/ICMLC.2008.4620779