Enerji Vadisi Optimizasyonu Tabanlı Yapay Sinir Ağı Kullanılarak Güneş Radyasyonu Tahmini: Türkiye’nin KOP Bölgesi İçin Bir Vaka Çalışması

Güneş enerjisi, enerji güvenliği, çevresel sürdürülebilirlik ve fosil yakıtlara bağımlılığın azaltılması açısından günümüzde en önemli yenilenebilir enerji kaynaklarından biri olarak kabul edilmektedir. Güneş enerjisi sistemlerinin etkin şekilde planlanabilmesi ve optimize edilebilmesi için güneş radyasyonunun doğru tahmin edilmesi büyük önem taşımaktadır. Ancak birçok bölgede uzun dönemli ve güvenilir meteorolojik verilerin sınırlı olması, güneş radyasyonu tahmin çalışmalarını zorlaştırmaktadır. Bu çalışmada, Türkiye’nin önemli tarım, sanayi ve enerji bölgelerinden biri olan Konya Ovası Projesi (KOP) Bölgesi için güneş radyasyonu tahmini amacıyla Enerji Vadisi Optimizasyon Algoritması (Energy Valley Optimization-EVO) ile optimize edilmiş Yapay Sinir Ağı (YSA) modeli önerilmiştir. Çalışmada Konya, Karaman, Aksaray, Nevşehir, Niğde, Kırşehir ve Yozgat illerine ait 1990–2024 yılları arasındaki 34 yıllık meteorolojik ve coğrafi veriler kullanılmıştır. Veri seti, NASA POWER projesinden elde edilen enlem, boylam, rakım, sıcaklık, nem, yüzey basıncı ve yağış gibi değişkenleri içermektedir. Önerilen EVO-YSA modeli, yapay sinir ağı ağırlıklarının klasik gradyan tabanlı yöntemler yerine EVO algoritması ile optimize edilmesine dayanmaktadır. Bu yaklaşım, yerel minimumlara takılma problemini azaltarak modelin küresel optimum çözümlere ulaşma olasılığını artırmaktadır. Ayrıca Levy Flight mekanizmasının kullanılması, keşif ve sömürü dengesini geliştirerek optimizasyon performansına katkı sağlamaktadır. Model performansı, Levenberg–Marquardt (LM) ve Scaled Conjugate Gradient (SCG) eğitim algoritmalarıyla eğitilen geleneksel YSA modelleriyle karşılaştırılmıştır. Sonuçlar, önerilen yöntemin en iyi yapılandırmada yaklaşık 0,95 korelasyon katsayısı (R) ve 0,0754 ortalama kare hata (MSE) değeri elde ederek karşılaştırılan yöntemlerden daha başarılı olduğunu göstermiştir. Ayrıca 10 bağımsız deney sonucunda elde edilen performans üstünlüğü istatistiksel testlerle doğrulanmıştır. Elde edilen aylık güneş radyasyonu tahminleri, NASA POWER verileriyle yüksek uyum göstermiş ve KOP Bölgesi’ndeki şehirlerin güneş enerjisi potansiyelinin güvenilir şekilde modellenebildiğini ortaya koymuştur. Çalışma sonucunda geliştirilen EVO-YSA modelinin, meteorolojik verilerin sınırlı olduğu bölgelerde güneş enerjisi potansiyelinin belirlenmesi, fotovoltaik sistem planlaması ve yenilenebilir enerji yatırımlarının desteklenmesi için etkili bir karar destek aracı olarak kullanılabileceği değerlendirilmiştir.

Solar energy has emerged as one of the most important renewable energy resources for ensuring energy security, promoting environmental sustainability, and reducing dependence on fossil fuels. Accurate estimation of solar radiation is essential for the efficient planning, design, and operation of photovoltaic systems and other solar energy applications. However, the limited availability of long-term and reliable meteorological observations in many regions poses a significant challenge for solar radiation forecasting. To address this issue, this study proposes an Artificial Neural Network (ANN) model optimized using the Energy Valley Optimization (EVO) algorithm for estimating solar radiation potential in the Konya Plain Project (KOP) region of Türkiye.The proposed EVO-ANN model was developed using 34 years (1990–2024) of geographical and meteorological data obtained from NASA’s Prediction of Worldwide Energy Resources (POWER) project. The dataset includes information from seven provinces within the KOP region Konya, Karaman, Aksaray, Nevşehir, Niğde, Kırşehir, and Yozgat incorporates variables such as latitude, longitude, altitude, air temperature, humidity, atmospheric pressure, precipitation, and temporal information. Unlike conventional ANN training approaches that rely on gradient-based optimization methods, the proposed model employs the EVO algorithm to optimize network weights, thereby reducing the risk of convergence to local minima and improving global search capability. Furthermore, the integration of the Levy Flight mechanism enhances the balance between exploration and exploitation during the optimization process. The performance of the proposed model was evaluated and compared with ANN models trained using the Levenberg–Marquardt (LM) and Scaled Conjugate Gradient (SCG) algorithms. Experimental results demonstrated that the EVO-ANN achieved superior predictive performance, reaching a correlation coefficient (R) of approximately 0.95 and a minimum mean square error (MSE) of 0.0754 in the best-performing configuration. Statistical analyses conducted over ten independent runs confirmed the superiority of the proposed approach. Monthly solar radiation estimates also showed strong agreement with NASA POWER measurements across all cities in the KOP region. The findings indicate that the EVO-ANN model provides a reliable and effective framework for solar radiation estimation, particularly in regions with limited meteorological observations. The proposed approach can support renewable energy planning, photovoltaic system deployment, and solar resource assessment, while also offering a transferable methodology for similar geographical regions worldwide.