Küresel güneş radyasyonun makine öğrenmesi yöntemleri ile tahmini: Örnek bir uygulama

Abstract

Günümüzde enerji ihtiyacının çoğunluğunun karşılandığı fosil (petrol, doğal gaz, kömür vs.) yakıtları, hem çevreye zarar vermekte hem de yakın zamanda tükenme ihtimali bulunmaktadır. Bu nedenle bilim insanları alternatif enerji kaynakları bulma arayışına girmişlerdir. Sürdürülebilir ve temiz olmaları nedeniyle birçok ülke enerji ihtiyacını karşılamada yenilenebilir enerji kaynaklarını tercih etmeye başlamıştır. Güneş enerjisi yenilenebilir enerji kaynakları içerisinde hızlı gelişen bir enerji kaynağıdır. Güneş ışınımlarından yeryüzüne inen küresel güneş radyasyonunun zamansal periyodu ve miktarı kurulacak Güneş Enerji Santral (GES) teknolojilerine ışık tutmaktadır. Makine öğrenmesi ve derin öğrenme metotları gibi yapay zekâ uygulamaları ile geçmiş dönem verilerinden yararlanarak tahminler yapılabilmektedir. Bu sebeple düşük ve yüksek radyasyon değerlerine sahip Artvin, Rize, Batman, Diyarbakır, Mardin, Siirt ve Şırnak illeri için küresel güneş radyasyonu tahmini gerçekleştirilmiştir. Tahmin ufkunun 1 ila 3 saat ilerisi seçildiği durumlar için, Karar Ağaçları (KA), Destek Vektör Makinesi (DVM), Doğrusal Regresyon (DR), Regresyon Ağaçları (RA), Çekirdek Yaklaşım Regresyonu (ÇYR) ve Yapay Sinir Ağları (YSA) gibi metotlardan elde edilen sonuçlar kapsamlı bir şekilde karşılaştırılmıştır. Bu tez çalışmasının geçerliliğini değerlendirmek için Kök Ortalama Kare Hatası (RMSE), Ortalama Mutlak Hata (MAE), Ortalama Kare Hata (MSE) ve Korelasyon katsayısı (R) gibi performans metrikleri kullanılmıştır. Bölgesel ve değişken hava koşullarında küresel güneş radyasyonunun tahmini kurulacak olan GES'in gücünü bulmada önemli bir parametre olmaktadır. Bu tez çalışması ile belirlenen illerde kurulacak olan GES'ler için hem kısa hem de uzun vade de yatırım ve planlamaların daha efektif bir şekilde yapılmasına katkı sağlanması amaçlanmaktadır.

Keywords

Citation

@mastersthesis{kureselgunesradyasyonunmakineo2023,
  title = {{Küresel güneş radyasyonun makine öğrenmesi yöntemleri ile tahmini: Örnek bir uygulama}},
  author = {Dursun, Mehmet},
  year = {2023},
  school = {{Gaziantep İslam Bilim ve Teknoloji Üniversitesi}}
}

TY  - THES
AU  - Dursun, Mehmet
TI  - Küresel güneş radyasyonun makine öğrenmesi yöntemleri ile tahmini: Örnek bir uygulama
PY  - 2023
ER  - 

Related sources