Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini

Abstract

Global güneş ışınımı tahmini, güneş enerjisi sistemlerinin etkin yönetimi ve işletilmesinin yanı sıra gelecekteki enerji üretimi hakkında güvenilir bilgi sağlamak için giderek daha fazla önem kazanmaktadır. Bu çalışmada, günlük güneş ışınım tahmin problemini etkin bir model oluşturmak için Uzun Kısa Süreli Bellek (Long Short-Term Memory - LSTM) ağı önerilmiştir. Önerilen yöntemin etkinliği Karar Ağaçları Regresyon, Rastgele Orman Regresyon, Gradyan Güçlendirme ve K-En Yakın Komşu gibi en etkili makine öğrenme algoritmalar ile karşılaştırılmıştır. LSTM modelinin yaklaşımının etkinliğini doğrulamak için Çorum - Türkiye’de Temmuz-1983 ve Aralık-2018 tarihleri arasında global güneş ışınımı sıralı zaman serileri verileri kullanılmıştır. Simülasyon sonuçları, LSTM yönteminin diğer makine öğrenme modellerinden daha iyi performansa sahip olduğunu göstermektedir.

Global solar radiation estimation is increasingly acquiring more importance to ensure effective management and operation of solar energy systems as well as providing reliable information about the future power generation. In this study, the Long Short-Term Memory (LSTM) has been suggested to effectively model the daily solar radiation prediction problem. The effectiveness of the suggested method compared with the state of the art machine learning algorithms such as Decision Tree Regression, Random Forest Regression, Gradient Boosting and K-Nearest Neighbor. Daily solar irradiance sequential time series data in Çorum - Turkey between January1983 and December-2018 have been used to validate the effectiveness of the suggested LSTM method. The simulation outcomes demonstrate that LSTM method has generally better performance than the other machine learning models. Araştırma