SavedAdd your journal

Journals / Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi / 2023 / Cilt: 2 Sayı: 1

Estimation of Monthly Global Solar Radiation Using Long-Short Term Memory (LSTM) Method: A Case Study of Sivas Province

Aylık Toplam Güneş Işınımının Uzun-Kısa Süreli Bellek (LSTM) Yöntemiyle Tahmini: Sivas İli Örneği

Cahit GÜRLEK
Mehmet BİLGİLİ
Pages
24–30
Publication Date
2023-06-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results showed that the LTSM model predicted solar radiation effectively with MAPE of 9.446%, RMSE of 0.496 kWh/m2day, and R of 0.976 for the study area.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Accurate estimation of global solar radiation is critical for solar energy conversion systems (modelling, design and operation) and future investment policies.
📊
Key Findings & Data:In this study, daily average monthly solar radiation estimation were performed using the long-short term memory (LSTM) method.
💡
Conclusion & Impact:The results showed that the LTSM model predicted solar radiation effectively with MAPE of 9.446%, RMSE of 0.496 kWh/m2day, and R of 0.976 for the study area.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:LSTM · Makine Öğrenmesi · Aylık Güneş Işınımı

Abstract

Accurate estimation of global solar radiation is critical for solar energy conversion systems (modelling, design and operation) and future investment policies. In this study, daily average monthly solar radiation estimation were performed using the long-short term memory (LSTM) method. For this aim, monthly sunshine radiation data obtained from the Sivas Province in the Central Anatolia Region of Turkey was used. Mean absolute percent error (MAPE), root mean square error (RMSE) and correlation coefficient (R) tests were used for forecast accuracy assessment. The results showed that the LTSM model predicted solar radiation effectively with MAPE of 9.446%, RMSE of 0.496 kWh/m2day, and R of 0.976 for the study area.

Özet

Küresel güneş radyasyonunun doğru tahmini, güneş enerjisi dönüşüm sistemleri (modelleme, tasarım ve işletme) ve gelecekteki yatırım politikaları için kritik bir öneme sahiptir. Bu çalışmada uzun-kısa süreli bellek (LSTM) yöntemi kullanılarak günlük ortalama aylık güneş ışınımı tahmini yapılmıştır. Bunun için Türkiye’nin İç Anadolu Bölgesinde bulunan Sivas İlinden elde edilen aylık güneş ışınımı verileri kullanılmıştır. Tahmin doğruluğunun değerlendirmesi için ortalama mutlak yüzde hata (MAPE), kök ortalama kare hatası (RMSE) ve korelasyon katsayısı (R) testleri kullanılmıştır. Sonuçlar LSTM modelinin çalışma alanı için güneş ışınımını % 9.446 MAPE, 0.496 kWh/m2day RMSE ve 0.976 R değerleri ile etkin bir şekilde tahmin ettiğini göstermektedir.

🔖

Cite This Article

GÜRLEK, C., BİLGİLİ, M. (2023). Estimation of Monthly Global Solar Radiation Using Long-Short Term Memory (LSTM) Method: A Case Study of Sivas Province. Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 2 Sayı: 1, 24–30. https://ajindex.com/articles/978052

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Akinoğlu, B. G. & Ecevit, A. (1990). Construction of a Quadratic Model Using Modified Angstrom Coefficients to Estimate Global Solar Radiation. Solar Energy, 45 (2), 85–92. https://doi.org/10.1016/0038-092X(90)90032-8
  2. Arslan, G., Bayhan, B. & Yaman, K. (2019). Mersin / Türkiye için Ölçülen Global Güneş Işınımının Yapay Sinir Ağları ile Tahmin Edilmesi ve Yaygın Işınım Modelleri ile Karşılaştırılması. Gazi University Journal of Science Part C: Design and Technology, 7 (1), 80-96. https://doi.org/10.29109/gujsc.419473
  3. Bakirci, K. (2009). Correlations for Estimation of Daily Global Solar Radiation with Hours of Bright Sunshine in Turkey. Energy, 34 (4), 485–501. https://doi.org/10.1016/j.energy.2009.02.005
  4. Ballı, Ö. (2021). Estimating Global Solar Radiation from Empirical Models: An Application. European Mechanical Science, 5 (3), 135-147. https://doi.org/10.26701/ems.797177
  5. Bilgili, M. & Ozgoren, M. (2011). Daily Total Global Solar Radiation Modeling from Several Meteorological Data. Meteorology and Atmospheric Physics, 112, 125-138. https://doi.org/10.1007/s00703-011-0137-9
  6. Bilgili, M., Arslan, N., Şekertekin, A, & Yaşar, A. (2022). Application of Long Short-Term Memory (LSTM) Neural Network Based on Deeplearning for Electricity Energy Consumption Forecasting. Turkish Journal of Electrical Engineering and Computer Sciences, 30 (1), 140-157. https://doi.org/10.3906/elk-2011-14
  7. BP. (2022). Statistical Review of World Energy. Celik, A. N. & Muneer, T. (2013). Neural Network Based Method for Conversion of Solar Radiation Data. Energy Conversion and Management, 67, 117–124. https://doi.org/10.1016/j.enconman.2012.11.010
  8. Gers, F. A., Schmidhuber, J. & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation, 12 (10), 2451-2471. https://doi.org/10.1162/089976600300015015
  9. Gurlek, C. & Sahin, M. (2018). Estimation of the Global Solar Radiation with the Artificial Neural Networks for the City of Sivas. European Mechanical Science, 2 (2), 46-51. https://doi.org/10.26701/ems.359681
  10. Gül, M. & Çelik, E. (2017). ANFIS Kullanılarak Tunceli İli için Global Güneş Radyasyonu Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8 (4), 891-899.
  11. Hochreiter, S. & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9 (8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
  12. Koca, A., Oztop, H. F., Varol, Y. & Koca, G. O. (2011). Estimation of Solar Radiation Using Artificial Neural Networks with Different Input P