Farklı yapay sinir ağları yöntemlerini deneysel olarak ölçülen güneş ışınım tahminine etkisi

Abstract

Mevcut enerji rezervlerinin azalması, fotovoltaik güneş enerjili sistemleri popüler hale getirmiştir. Sistemin etkin bir şekilde işletilebilmesi için etkin bir şekilde yönetilmesi ve ışınımlarının başarılı şekilde tahmin edilmesi gerekmektedir. Çalışma; Afyon Kocatepe Üniversitesi bünyesinde saatlik olarak ölçülmüş bir yıllık güneş ışınım verisi (1*8760 boyutlu data seti) ve belirli saat aralıklarla (05:00 ile 14:00) ölçülen bir yıllık ışınım, basınç ve ortalama sıcaklık değerlerini içeren 3*7310 boyutlu data seti kullanılarak, Yapay Sinir Ağları temelli birden fazla modellerle gerçekleştirilmiştir. Birinci model; 1*8760 veri boyutuna sahip bir yıllık ışınım verisiyle, ikinci ve üçüncü model ise; günlük 10’ar saatlik kayıtlar altına alınan farklı girdi değerlerinin kullanılmasıyla oluşturulmuştur. Aynı tarihlerde aynı bölge için alınan farklı ölçüm değerleri ile yapay sinir ağları eğitilmiş ve performansları kıyaslanmıştır. Gerçekleştirilen çalışmada birinci modelin başarı oranı %87,78, ikinci modelde başarı oranı %73, üçüncü modelde ise %71’dir. Çalışma; girdi verilerinin, gizli katmanda kullanılacak nöron sayısının ve kullanılacak eğitim fonksiyonunun önemine dikkat çekilmiştir.

The decrease in available energy reserves has made photovoltaic solar systems popular. In order for the system to be operated effectively, it must be managed effectively and its radiations must be predicted successfully. The study; A yearly solar radiation data (1*8760 size data set) measured hourly within Afyon Kocatepe University and a 3*7310 size data containing the annual radiation, pressure and average temperature values measured at certain hourly intervals (05:00 am - 02:00 pm). It has been carried out with multiple models based on Artificial Neural Networks, using the set. First model; With a one-year radiation data with a data size of 1*8760, the second and third models; It was created by using different input values recorded daily for 10 hours. Artificial neural networks were trained with different measurement values taken for the same region on the same dates and their performances were compared. In the study carried out, the success rate of the first model was 87.78%, the success rate of the second model was 73%, and the third model was 71%. Study; The importance of the input data, the number of neurons to be used in the hidden layer and the training function to be used has been pointed out.