Use of ARIMA, ridge regression and lasso regression methods enhanced by extraterrestrial radiation in hourly radiation estimation

Öz

Increasing interest in green energy has popularized the generation of electrical energy, especially from solar energy. Due to the discrete nature of solar energy, future energy production forecasting is very important in terms of uninterrupted and environmentally friendly supply of electrical energy Therefore, it is clear that estimating solar radiation will be vital in planning and managing all processes, from electricity generation, transmission, distribution and consumption. In this study, one-year, six months, four months and two months hourly solar radiation estimation was performed on the hourly basis of four years’ solar radiation data obtained four years of hourly data from the station named Afyon Region of the 5th Regional Directorate of Meteorology (MBM), using the Auto Regressive Integrated Moving Average (ARIMA), a time-series analysis method, ridge regression, and lasso regression estimation models, which are regression models. In addition, the estimation results were improved by applying the Extraterrestrial Radiation Filter (DDIF) in the structures of the methods. The closeness of the relationship between the estimated values obtained by the methods used and the actual radiation values has been tried to be revealed with graphics and statistical methods.

Anahtar Kelimeler

• Renewable Energy
• Solar Radiation Estimation
• ARIMA Model
• Ridge Regression
• Lasso Regression

Dünya dışı ışınımlarla iyileştirilmiş ARIMA, ridge regresyon ve lasso regresyon yöntemlerinin saatlik ışınım tahmininde kullanılması

Öz

Yeşil enerjiye artan ilgi, özellikle güneş enerjisinden elektrik enerjisi üretimini popüler hale getirmiştir. Güneş enerjisinin kesikli yapısı nedeniyle gelecekteki enerji üretim tahmini, elektrik enerjisinin kesintisiz ve doğaya dost biçimde karşılanması açısından oldukça önemlidir. Bu nedenle, güneş ışınımının tahmin edilmesinin, elektrik üretimi, iletimi, dağıtımı ve tüketimine kadar bütün süreçlerin planlanması ve yönetilmesinde hayati öneme sahip olacağı açıktır. Bu çalışmada Meteoroloji 5. Bölge Müdürlüğü’nün (MBM) Afyon Bölge isimli istasyonundan alınan saatlik bazdaki dört yıllık güneş ışınım verisi üzerinde, zaman serisi analiz yöntemi olan Oto Regresif Entegreli Hareketli Ortalama (Auto Regressive Integrated Moving Average-ARIMA) ve regresyon modelleri olan ridge ve lasso regresyon tahmin modelleri kullanılarak bir yıllık, altı aylık, dört aylık ve iki aylık saatlik güneş ışınımı tahmini işlemi gerçekleştirilmiştir. Ayrıca yöntemlerin yapılarında Dünya Dışı Işınım Filtresi (DDIF) uygulanarak tahmin sonuçları iyileştirilmiştir. Kullanılan yöntemler ile elde edilen tahmin değerleri ve gerçek ışınım değerleri arasındaki ilişkinin yakınlığı grafikler ve istatistiksel yöntemler ile ortaya koyulmaya çalışılmıştır.

Anahtar Kelimeler

• Yenilenebilir Enerji
• Güneş Işınım Tahmini
• ARIMA Modeli
• Ridge Regresyon
• Lasso Regresyon

Kaynakça

1. Güneş. https://enerji.gov.tr/eigm-yenilenebilir-enerji-kaynaklar-gunes , Erişim 6 Şubat 2023.
2. R. H. Inman, H. T. Pedro and C. F. Coimbra, Solar forecasting methods for renewable energy integration. Progress in Energy and Combustion Science, 39 (6), 535-576, 2013. https://doi.org/10.1016/j.pecs.2013.06.002.
3. R. C. Deo and M. Şahin, Forecasting long-term global solar radiation with an ANN algorithm coupled with satellite-derived (MODIS) land surface temperature (LST) for regional locations in Queensland. Renewable and Sustainable Energy Reviews, 72, 828-848, 2017. https://doi.org/10.1016/j.rser.2017.01.1141.
4. R. Blaga, A. Sabadus, N. Stefu, C. Dughir, M. Paulescu and V. Badescu, A current perspective on the accuracy of incoming solar energy forecasting. Progress in Energy and Combustion Science, 70, 119-144, 2019.
5. A. Masoom, Y. Kashyap and A. Bansal, Solar radiation assessment and forecasting using satellite data, Advances in Solar Energy Research. Advances in Solar Energy Research, Springer, London, pp. 45-71, 2019.
6. E. Akarslan, F. O. Hocaoğlu and R. Edizkan, A novel M-D (multi-dimensional) linear prediction filter approach for hourly solar radiation forecasting. Energy, 73, 978-986, 2014. https://doi.org/10.1016/j.energy.2014.06.113.
7. S. Bhardwaj, V. Sharma, S. Srivastava, O. S. Sastry, B. Bandyopadhyay, S. S. Chandel and J. R. P. Gupta, Estimation of solar radiation using a combination of hidden Markov model and generalized fuzzy model. Solar Energy, 93, 43-54, 2013.
8. F. O. Hocaoğlu and F. Serttaş, A novel hybrid (Mycielski-Markov) model for hourly solar radiaiton forecasting. Renewable Energy, 108, 635-643, 2017. https://doi.org/10.1016/j.renene.2016.08.058.

9. A. Sarı, M. Aktaş, A. Yönetken ve R. Doğan, Güneş ışınım tahmininde NARX modelinin uygulanması. Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi, 4, 1-6, 2021.
10. S. Ibrahim, I. Daut, Y. M. Irwan, M. Irwanto, N. Gomesh and Z. Farhana, Linear regression model in estimating solar radiation in Perlis. Energy Procedia, 18, 1402-1412, 2012. doi:10.1016/j.egypro.2012.05.156.
11. Ö. Kızıltan and M. Şahin, Calculation of solar radiation by using regression methods. International Physics Conference at the Anatolian Peak (IPCAP 2016), sayfa 1-9, Erzurum, Türkiye, 2016.
12. O. Kärner, ARIMA representation for daily solar irradiance and surface aie temperature time series. Atmospheric and Solar-Terrestrial Physics, 71, 841-847, 2009. doi:10.1016/j.jastp.2009.03.018.
13. J. Wu and C. K. Chan, Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN. Solar Energy, 85, 808-817, 2011. doi: 10.1016/j.solener.2011.01.013.
14. M. B. Shams, S. Haji, A. Salman, H. Abdali and A. J. Alsaffar, Time series analysis of Bahrain’s first hybrid renewable energy system. Energy, 103, 1-15, 2016. doi: 10.1016/j.energy.2016.02.136.
15. C. Paoli, C. Voyant, M. Muselli and M. L. Nivet, Forecasting of preprocessed daily solar radiation time series using neural networks. Solar Energy, 84, 2146-2160, 2013. https://doi.org/10.1016/j.solener.2010.08.011.
16. F. N. Melzi, T. Touati, A. Same and L. Oukhellou, Hourly solar irradiance forecasting based on machine learning models. 15th IEEE International Conference on Machine Learning and Applications (ICMLA 2016), sayfa 441-446, California, USA, 2016. doi: 10.1109/ICMLA.2016.0078.
17. A. Shadab, S. Ahmad and S. Said, Spatial forecasting of solar radiation using ARIMA model. Remote Sensing Applications: Society and Environment, 20, 2020. https://doi.org/10.1016/j.rsase.2020.100427.
18. A. E. Hoerl and R. W. Kennard. Ridge regression biased estimation for nonorthogonal problems. Technometrics, 12, 55-67, 2000. https://doi.org/10.2307/1271436.
19. D. W. Marquardt and R. D. Snee. Ridge regression in practice. 29, 3-20, 1975. https://doi.org/10.2307/2683673
20. Solar Constant. https://www.britannica.com/science/solar-constant , Erişim 7 Şubat 2023.