KaydedilenlerDerginizi ekleyin

Dergiler / Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 25 - Sayı: 4

METEOROLOJİK VERİLER KULLANILARAK GÜNEŞ IŞINIM TAHMİNİNDE YAPAY SİNİR AĞLARI PARAMETRELERİNİN DEĞERLENDİRİLMESİ

EVALUATİON OF ARTIFICIAL NEURAL NETWORK PARAMETERS IN SOLAR RADIATION PREDICTION USING METEOROLOGICAL DATA

Erşan Ömer YÜZER
Altuğ BOZKURT
Sayfa
746–759
Yayın Tarihi
2022-12-03
DOI
—
🏛️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)

Bu çalışma, güneş enerjisi bakımından verimli bir yer olan Hakkâri ilinde kurulan bir meteoroloji ölçüm istasyonu verileri aracılığıyla küresel güneş ışınım tahmininde yapay sinir ağları (YSA) parametrelerinin potansiyelini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Doğru ışınım tahmini, fotovoltaik (PV) santralinin verimliliğini arttırarak şebekenin etkin bir şekilde programlanmasına ve güç kalitesinin iyileştirilmesine olanak sağlar.
📊
Temel Bulgular & Veri:Bu çalışma, güneş enerjisi bakımından verimli bir yer olan Hakkâri ilinde kurulan bir meteoroloji ölçüm istasyonu verileri aracılığıyla küresel güneş ışınım tahmininde yapay sinir ağları (YSA) parametrelerinin potansiyelini göstermektedir.
💡
Sonuç & Katkı:Kullanılan veri seti parametrelerine göre güneş ışınım tahmininde, “trainlm” eğitim algoritması ile “poslin” aktivasyon fonksiyonu kullanılarak oluşturulan model 0,97 regresyon değeri, %1,16 ortalama kare hatası (MSE) ve %0,0881 normalize kök ortalama kare hatası (nRMSE) değeri ile güneş ışınım tahmininde en iyi performansı göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Güneş ışınım tahmini · güneş enerjisi · Hakkâri

Özet

Doğru ışınım tahmini, fotovoltaik (PV) santralinin verimliliğini arttırarak şebekenin etkin bir şekilde programlanmasına ve güç kalitesinin iyileştirilmesine olanak sağlar. Bu çalışma, güneş enerjisi bakımından verimli bir yer olan Hakkâri ilinde kurulan bir meteoroloji ölçüm istasyonu verileri aracılığıyla küresel güneş ışınım tahmininde yapay sinir ağları (YSA) parametrelerinin potansiyelini göstermektedir. Meteoroloji istasyonundan zaman serisine bağlı olarak ölçülen, rüzgâr hızı, sıcaklık, basınç ve nem parametreleri kullanılarak eş zamanlı gerçekleşen güneş ışınım değerleri YSA modeli oluşturularak tahmin edilmiştir. Oluşturulan model YSA’da yaygın olarak kullanılan çeşitli eğitim algoritmaları ve aktivasyon fonksiyonları ile denenmiş ve en iyi sonuç elde edilmeye çalışılmıştır. Kullanılan modelin performansı istatistiksel göstergeler kullanılarak değerlendirilmiştir. Kullanılan veri seti parametrelerine göre güneş ışınım tahmininde, “trainlm” eğitim algoritması ile “poslin” aktivasyon fonksiyonu kullanılarak oluşturulan model 0,97 regresyon değeri, %1,16 ortalama kare hatası (MSE) ve %0,0881 normalize kök ortalama kare hatası (nRMSE) değeri ile güneş ışınım tahmininde en iyi performansı göstermiştir.

Abstract

Accurate radiation prediction increases photovoltaic (PV) plant efficiency so ensures effective programming of the grid and improvement of power quality. This study demonstrates the prediction potential of artificial neural networks (ANN) parameters in global solar radiation through data from a meteorological measurement station established in Hakkari, Turkey, which is a solar-efficient place. The occurring simultaneous solar radiation values were estimated using the wind speed, temperature, pressure and humidity parameters obtained from the meteorology station depending on the time series, and the relationships between these parameters were modeled using ANN. The created model was tested with various training algorithms and activation functions, and the best result was tried to be obtained. The performance of this model was evaluated using statistical indicators. In prediction of solar radiation according to used data set parameters, the model established by using “trainlm” training algorithm and “poslin” activation function showed the best performance in solar radiation prediction with 0.97 regression value, 1.16% mean square error (MSE) and 0.0881% normalized root mean square error (nRMSE).

🔖

Bu Makaleye Atıf Yap

YÜZER, E. Ö., BOZKURT, A. (2022). METEOROLOJİK VERİLER KULLANILARAK GÜNEŞ IŞINIM TAHMİNİNDE YAPAY SİNİR AĞLARI PARAMETRELERİNİN DEĞERLENDİRİLMESİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 25 - Sayı: 4, 746–759. https://ajindex.com/articles/876425

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Aguiar, L. M., Pereira, B., Lauret, P., Díaz, F., & David, M. (2016). Combining solar irradiance measurements, satellite-derived data and a numerical weather prediction model to improve intra-day solar forecasting. Renewable Energy, 97, 599-610.
  2. AlSkaif, T., Dev, S., Visser, L., Hossari, M., & van Sark, W. (2020). “A systematic analysis of meteorological variables for PV output power estimation” Renewable Energy, 153, 12-22.
  3. Arthur, C. K., Temeng, V. A., & Ziggah, Y. Y. (2020). “Performance evaluation of training algorithms in backpropagation neural network approach to blast-induced ground vibration prediction, Ghana Mining Journal, 20(1), 20-33.
  4. Ağbulut, Ü., Gürel, A. E., & Biçen, Y. (2021). “Prediction of daily global solar radiation using different machine learning algorithms: Evaluation and comparison” Renewable and Sustainable Energy Reviews, 135, 110114. Bamisile, O., Oluwasanmi, A., Ejiyi, C., Yimen, N., Obiora, S., & Huang, Q. (2022). “Comparison of machine learning and deep learning algorithms for hourly global/diffuse solar radiation predictions” International Journal of Energy Research, 46(8), 10052-10073.
  5. Cornaro, C., Bucci, F., Pierro, M., Del Frate, F., Peronaci, S., & Taravat, A. (2015). Twenty-Four Hour Solar Irradiance Forecast Based on Neural Networks and Numerical Weather Prediction. Journal of Solar Energy Engineering, 137(3). Faisal, A. F., Rahman, A., Habib, M. T. M., Siddique, A. H., Hasan, M., & Khan, M. M. (2022). “Neural networks based multivariate time series forecasting of solar radiation using meteorological data of different cities of Bangladesh” Results in Engineering, 13, 100365. Gala, Y., Fernández, Á., Díaz, J., & Dorronsoro, J. R. (2016). Hybrid machine learning forecasting of solar radiation values. Neurocomputing, 176, 48-59.
  6. 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.
  7. Gao, B., Huang, X., Shi, J., Tai, Y., & Zhang, J. (2020). Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks. Renewable Energy, 162, 1665-1683.
  8. Hassan, M. A., Khalil, A., Kaseb, S., & Kassem, M. A. (2017). Exploring the potential of tree-based ensemble methods in solar radiation modeling. Applied Energy, 203, 897-916.
  9. Huang, X., Li, Q., Tai, Y., Chen, Z., Zhang, J., Shi, J., & Liu, W. (2021). Hybrid deep neural model for hourly sola