| Popis: |
Dünyada sürekli artan nüfus ve gelişen teknoloji, enerji ihtiyacının sürekli olarak artmasına neden olmaktadır. Hem çevresel hassasiyetler hem de artan enerji ihtiyacını karşılamak için, temiz enerji kaynaklarının kullanımı bir zorunluluk haline gelmiştir. Güneş enerjisi bu kaynakların en önemlilerinden bir tanesi olmakla beraber, ışınımın değişken ve kesikli yapısı nedeniyle üretilecek olan enerji de değişken olmaktadır. Bu sebeple güneşten üretilecek olan enerjinin belirlenmesi ve bir üretim planlaması yapılabilmesi için öncelikle güneş ışınım değerinin doğru bir şekilde belirlenmesi gerekir. Bu çalışmada, güneş ışınımı tahmini için bulutluluk indeksine bağlı olarak tahmin modelinin seçildiği hibrit bir yöntem önerilmiştir. Çalışmada, Türkiye Meteoroloji Genel Müdürlüğünden (TMGM) elde edilen Mardin iline ait iki yıllık (2013-2014) güneş ışınım verisi kullanılmıştır. Veriler eğitim ve test olmak üzere iki bölüme ayrılmış olup, eğitim için 2013 yılı ve test için 2014 yılı güneş ışınım verileri kullanılmıştır. Tahmin edici olarak Yapay sinir ağları, NARX ağı ve Ridge regresyon yöntemleri seçilmiş ve çalışmanın ilk aşamasında eğitim verisi her üç yöntemle de modellenmiştir. Bir saat sonraki ışınım değeri modellenirken girdi olarak mevcut ışınım değeri, bir saat önceki ışınım değeri ve bir saat sonraki extraterrestrial ışınım değeri kullanılmıştır. Bulutluluk indeksi için, az bulutlu, bulutlu ve çok bulutluya karşılık gelecek şekilde üç aralık belirlenmiştir. Tahmin edici olarak kullanılan üç yöntem ile eğitim verisi modellenmiş ve her bir yöntemin belirlenen her bir bulutluluk indeksi aralığındaki başarısı incelenmiştir. Seçilen aralıklarda daha başarılı yöntemler belirlendikten sonra, bulutluluk indeksi zaman serisi yapay sinir ağları ile modellenmiştir. Sonuç olarak hibrit tahmin algoritmasında önce yapay sinir ağları ile bulutluluk indeksi tahmin edilir, sonra tahmin edilen bulutluluk indeksinin yer aldığı aralıkta en başarılı model kullanılarak gelecek güneş ışınımı değeri tahmin edilir. Deneysel sonuçlar, önerilen hibrit yöntem ile modellerin bireysel olarak kullanıldığı duruma göre daha başarılı tahminler yapıldığını göstermektedir. The world's ever-increasing population and developing technology cause the demand for energy to increase continuously. The usage of clean energy sources has become a necessity in order to satisfy both environmental sensitivity and increasing energy demands. Although solar energy is one of the most important of these sources, the amount of energy produced also varies because of the variable and intermittent nature of the radiation. As a consequence, in order to determine the amount of energy to be produced from the sun and plan production, the solar radiation value must first be determined correctly. In this study, a hybrid method for predicting solar radiation is proposed, wherein the prediction model is determined based on the clearness index. The study used two-year (2013-2014) solar radiation data of the province of Mardin obtained from the Turkish State Meteorological Service (TSMS). The data were divided into two parts: training and testing, with solar radiation data from 2013 used for training and 2014 utilized for testing. As predictors, Artificial neural networks, NARX networks, and Ridge regression methods were used, and the training data were modeled with all three approaches in the first stage of the study. While modeling the irradiance value one hour later, the current irradiance value, the irradiance value one hour ago, and the extraterrestrial irradiance value one hour later were used as inputs. The clearness index was determined into three ranges; slightly cloudy, cloudy, and mostly cloudy. The training data were modeled with three methods used as estimators, and the success of each method was examined in each defined clearness index range. After determining the more successful methods in the selected intervals, the clearness index time series was modeled using artificial neural networks. As a result, in the hybrid prediction algorithm, the clearness index is first estimated using artificial neural networks, and then the future solar radiation value is predicted by using the most successful model within the predicted clearness index range. Experimental results show that more successful predictions are made with the proposed hybrid method than when models are used individually. |
