KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 1

Çok girdili-çok değişkenli çıktıya sahip derin öğrenme modelleri ile kısa vadeli güneş ışınım şiddeti ve sıcaklık tahmini

Short-term forecasting of solar irradiance and temperature using deep learning models with multiple inputs and multiple outputs

Kübra Kaysal(AFYON KOCATEPE ÜNİVERSİTESİ)0000-0003-3983-2608
Fatih Onur Hocaoğlu(AFYON KOCATEPE ÜNİVERSİTESİ)0000-0002-3640-7676
Nihat Ozturk(GAZİ ÜNİVERSİTESİ)0000-0002-0607-1868
Sayfa
463–478
Yayın Tarihi
2026-03-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sıcaklık değerleri için ise RMSE 0,79°C, MAE 0,58°C, NRMSE %1,68 ve R² %99,32 olarak elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Güneş ışınımının kesikli ve dalgalı yapısı çoğu uygulama için ciddi sınırlamalar oluşturur.
📊
Temel Bulgular & Veri:Bu çalışmada, kısa dönemli tahminler için çok değişkenli girdilerin iki değişkenli çıktılara etkisi incelenmiş ve bir bölgeye kurulması planlanan güneş enerji santrali için meteorolojik değişimlerin etkileri araştırılmıştır.
💡
Sonuç & Katkı:Sıcaklık değerleri için ise RMSE 0,79°C, MAE 0,58°C, NRMSE %1,68 ve R² %99,32 olarak elde edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Işınım şiddeti tahmini · sıcaklık tahmini · derin öğrenme

Özet

Güneş ışınımının kesikli ve dalgalı yapısı çoğu uygulama için ciddi sınırlamalar oluşturur. Güneş ışınım şiddetinin doğru tahmini, bir fotovoltaik güç sisteminin çıkış gücünün tahmin edilmesinde önemli bir faktördür. Bu çalışmada, kısa dönemli tahminler için çok değişkenli girdilerin iki değişkenli çıktılara etkisi incelenmiş ve bir bölgeye kurulması planlanan güneş enerji santrali için meteorolojik değişimlerin etkileri araştırılmıştır. Ayrıca çeşitli derin öğrenme modelleri ve onların hibrit kombinasyonlarının güneş ışınım şiddeti ve sıcaklık tahmini için başarıları kıyaslanmıştır. M/CNN-BİLSTM_II modeli diğer modellere kıyasla üç girdi parametresi sıcaklık, ışınım şiddeti ve nem için hem sıcaklık hem de ışınım şiddeti tahmininde en iyi performansı sergilemiştir. Modellerin performansı için RMSE, MAE, NRMSE ve R2 metrikleri kullanılmıştır. Işınım şiddeti için bu metrikler sırasıyla 1,65 W/m² (RMSE), 35,7 W/m² (MAE), %6,71 (NRMSE) ve %94,61 (R²) olarak hesaplanmıştır. Sıcaklık değerleri için ise RMSE 0,79°C, MAE 0,58°C, NRMSE %1,68 ve R² %99,32 olarak elde edilmiştir.

Abstract

The intermittent and fluctuating nature of solar radiation poses significant limitations for many applications. Accurate estimation of solar radiation is a crucial factor in predicting the output power of a photovoltaic system. In this study, the effects of multivariate inputs on bivariate outputs for short-term forecasts were examined, and the impact of meteorological changes on a solar power plant planned for a specific region was investigated. Additionally, the performance of various deep learning models and their hybrid combinations for predicting solar radiation and temperature was compared. Compared to other models, the M/CNN-BİLSTM_II model demonstrated the best performance in estimating both temperature and radiation intensity using the three input parameters: temperature, solar radiation, and humidity. The performance of the models was evaluated using RMSE, MAE, NRMSE, and R² metrics. For solar radiation, these metrics were calculated as 1.65 W/m² (RMSE), 35.7 W/m² (MAE), 6.71% (NRMSE), and 94.61% (R²), respectively. For temperature values, RMSE was obtained as 0.79°C, MAE as 0.58°C, NRMSE as 1.68%, and R² as 99.32%.

🔖

Bu Makaleye Atıf Yap

Kaysal, K., Hocaoğlu, F. O., Ozturk, N. (2026). Çok girdili-çok değişkenli çıktıya sahip derin öğrenme modelleri ile kısa vadeli güneş ışınım şiddeti ve sıcaklık tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 1, 463–478. https://doi.org/10.17341/gazimmfd.1533969

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (39)

  1. Wang, Y., Fu, W., Wang, J., Zhen, Z., & Wang, F., Ultra-short-term distributed PV power forecasting for virtual power plant considering data-scarce scenarios, Applied Energy, 373, 123890, 2024.
  2. Energy Institute. Statistical Review of World Energy. https://www.energyinst.org/statistical-review, Yayın tarihi Şubat 2022. Erişim tarihi Temmuz 23,2024.
  3. Neshat, M., Nezhad, M. M., Mirjalili, S., Garcia, D. A., Dahlquist, E., & Gandomi, A. H., Short-term solar radiation forecasting using hybrid deep residual learning and gated LSTM recurrent network with differential covariance matrix adaptation evolution strategy, Energy, 278, 127701, 2023.
  4. Sonkavde, G., Dharrao, D. S., Bongale, A. M., Deokate, S. T., Doreswamy, D., & Bhat, S. K., Forecasting stock market prices using machine learning and deep learning models: A systematic review, performance analysis and discussion of implications, International Journal of Financial Studies, 11 (3), 94, 2023.
  5. Guijo-Rubio, D., Durán-Rosal, A. M., Gutiérrez, P. A., Gómez-Orellana, A. M., Casanova-Mateo, C., Sanz-Justo, J., & Hervás-Martínez, C., Evolutionary artificial neural networks for accurate solar radiation prediction, Energy, 210, 118374, 2020.
  6. Bhardwaj, S., Sharma, V., Srivastava, S., Sastry, O. S., Bandyopadhyay, B., Chandel, S. S., Gupta, J. R. P., Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model, Solar energy, 93, 43-54, 2013.
  7. Sharadga, H., Hajimirza, S., & Balog, R. S., Time series forecasting of solar power generation for large-scale photovoltaic plants, Renewable Energy, 150, 797-807, 2020.
  8. Ertürk, S., Kara, H., Akkuş, C., & Genç, G., Türkiye’de Farklı İklim Kuşakları İçin Yapay Sinir Ağları Kullanılarak Güneş Işınımının Tahmini, Gazi University Journal of Science Part C: Design and Technology, 11 (4), 885-892, 2023.
  9. Arslan, G., Bayhan, B., & Yaman, K., 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, 2019.
  10. Elsaraiti, M., & Merabet, A., Solar power forecasting using deep learning techniques, IEEE access, 10, 31692-31698, 2022.
  11. Gupta, R., Yadav, A. K., & Jha, S. K., Harnessing the power of hybrid deep learning algorithm for the estimation of global horizontal irradiance, Science of The Total Environment, 173958, 2024.
  12. Michael, N. E., Bansal, R. C., Ismail, A. A. A., Elnady, A., & Hasan, S., A cohesive structure of Bi-directional long-short-term memory (BiLSTM)-GRU for predicting hourly solar Radiation, Renewable Energy, 222, 119943, 2024.
  13. Bakht, M. P., Mohd, M. N. H., Ibrahim, B. S. K. K., Khan, N., Sheikh, U. U., & Ab Rahman, A. A. H., Advanced Automated Machine Learning Framework for Photovoltaic Power Output Prediction Using Environmental Parameters and SHAP Interpretability, Results in Engineering, 103838, 2025.
  14. Mohanty, P., Subhadarshini, K., Nayak, R., Pati, U. C., & Mahapatra, K., Exploring data-driven multivariate statistical models for the prediction of solar energy, In Computer Vision and Machine Intelligence for Renewable Energy Systems, Elsevier, 85-101, 2025.
  15. Agga, A., Abbou, A., Labbadi, M., & El Houm, Y., Short-term self consumption PV plant power production forecasts based on hybrid CNN-LSTM, ConvLSTM models, Renewable Energy, 177, 101-112, 2021.
  16. Xie, X., Xu, W., & Tan, H., The day-ahead electricity price forecasting based on stacked CNN and LSTM. In Intelligence Science and Big Data Engineering: 8th International Conference, IScIDE 2018, Lanzhou, China, August, 18–19, 2018, Revised Selected Papers 8 Springer International Publishing, 216-230, 2018.
  17. Michael, N. E., Bansal, R. C., Ismail, A. A. A., Elnady, A., & Hasan, S., A cohesive structure of Bi-directional long-short-term memory (BiLSTM)-GRU for predicting hourly solar radiation. Renewable Energy, 222, 119943, 2024.
  18. Chadha, G.S., Schwung, A., Learning the non-linearity in convolutional neural networks, arXiv preprint arXiv:1905.12337, 2019.
  19. Sabri, M., & El Hassouni, M., Predicting photovoltaic power generation using double-layer bidirectional long short-term memory-convolutional network, International Journal of Energy and Environmental Engineering, 14 (3), 497-510, 2023.
  20. Zhu, H., Zhang, X., Wu, J., Hu, S., & Wang, Y. A novel solar irradiance calculation method for distributed photovoltaic power plants based on K-dimension tree and combined CNN-LSTM method, Computers and Electrical Engineering, 122, 109990, 2025.
  21. Wojtkiewicz, J., Hosseini, M., Gottumukkala, R., & Chambers, T. L., Hour-ahead solar irradiance forecasting using multivariate gated recurrent units, Energies, 12 (21), 4055, 2019.
  22. Su, Z., Gu, S., Wang, J., & Lund, P. D., Improving ultra-short-term photovoltaic power forecasting using advanced deep-learning approach, Measurement, 239, 115405, 2025.
  23. Zhou, H., Chen, W., Liu, J., Cheng, L., & Xia, M., Trustworthy and intelligent fault diagnosis with effective denoising and evidential stacked GRU neural network, Journal of Intelligent Manufacturing, 1-20, 2023.
  24. Zhang, Y. M., & Wang, H., Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed Forecasting, Energy, 278, 127865, 2023.
  25. Bashir, T., Wang, H., Tahir, M., & Zhang, Y., Wind and solar power forecasting based on hybrid CNN-ABiLSTM, CNN-transformer-MLP models, Renewable Energy, 239, 122055, 2025.
  26. Azizi, N., Yaghoubirad, M., Farajollahi, M., & Ahmadi, A., Deep learning based long-term global solar irradiance and temperature forecasting using time series with multi-step multivariate output, Renewable Energy, 206, 135-147, 2023.
  27. Guher, A. B., & Tasdemir, S., Determining of solar power by using machine learning methods in a specified region, Tehnički vjesnik, 28 (5), 1471-1479, 2021.
  28. Akkurt N., Hasgül, S., Comparison of automated machine learning (AutoML) libraries in time series forecasting, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (3), 1693-1702, 2024.
  29. Chen, Y., Lin, C., Liu, J., & Yu, D., One-hour-ahead solar irradiance forecast based on real-time K-means++ clustering on the input side and CNN-LSTM, Journal of Atmospheric and Solar-Terrestrial Physics, 106405, 2024.
  30. Guher, A. B., Tasdemir, S., & Yaniktepe, B., Effective estimation of hourly global solar radiation using machine learning algorithms, International Journal of Photoenergy, 2020 (1), 8843620, 2020.
  31. Bae, G., Real-Time DNI and DHI Prediction Using Weather Information via LGBM. In Science and Information Conference (pp. 481-489), Cham: Springer Nature Switzerland, 2023.
  32. Türkiye Meteoroloji Genel Müdürlüğü. https://mgm.gov.tr/veridegerlendirme. Erişim tarihi Temmuz 23, 2024.
  33. Enerji ve Tabii Kaynaklar Bakanlığı. https://gepa.enerji.gov.tr/. Erişim tarihi Temmuz 23, 2024.
  34. Kaysal, A., Köroğlu, S., & Oğuz, Y., Hierarchical energy management system with multiple operation modes for hybrid DC microgrid, International Journal of Electrical Power & Energy Systems, 141, 108149, 2022.
  35. Jaihuni, M., Basak, J. K., Khan, F., Okyere, F. G., Sihalath, T., Bhujel, A., Kim, H. T., A novel recurrent neural network approach in forecasting short term solar irradiance, ISA transactions, 121, 63-74, 2022.
  36. Ghimire, S., Nguyen-Huy, T., Deo, R. C., Casillas-Perez, D., Salcedo-Sanz, S., Efficient daily solar radiation prediction with deep learning 4-phase convolutional neural network, dual stage stacked regression and support vector machine CNN-REGST hybrid model, Sustainable Materials and Technologies, 32, e00429, 2022.
  37. Band, S. S., Qasem, S. N., Ameri, R., Pai, H. T., Gupta, B. B., Mehdizadeh, S., & Mosavi, A., Deep learning hybrid models with multivariate variational mode decomposition for estimating daily solar Radiation, Alexandria Engineering Journal, 105, 613-625, 2024.
  38. Şener, İ. F., & Tuğal, İ. Optimized CNN-LSTM with Hybrid Metaheuristic Approaches for Solar Radiation Forecasting, Case Studies in Thermal Engineering, 106356, 2025.
  39. Eşlik A.H., Sen O., Serttaş F., CNN-LSTM model for solar radiation prediction: performance analysis, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (4), 2155-2162, 2024.