Sistem tanılama makine öğrenmesi ve derin öğrenme modelleri ile güneş radyasyonu tahmini

Abstract

Dünyadaki teknolojik gelişmelerle birlikte enerji ihtiyacı artmaktadır. Modern toplumda artan insan nüfusu ile birlikte insanların günlük ihtiyaçları ve faaliyetlerini yerine getirilebilmesi büyük ölçüde enerjiye bağımlıdır. Fosil yakıtların sonlu enerjiler olması bilinmektedir ve enerji ihtiyacını karşılamak için yeni ve yenilenebilir enerji kaynaklarına ihtiyaç duyulmaktadır. Yenilenebilir enerji kaynakları olarak güneş enerjisi, rüzgar enerjisi, jeotermal enerji ve hidroelektrik enerji başlıca doğadan elde edilebilen yenilenebilen kaynaklardır. Özellikle güneş enerjisi ve rüzgar enerjisi, konvansiyonel kaynakların neden olduğu küresel ısınmayı azaltırken, elektrik enerji talebinin önemli bir kısmını karşılayabilmektedir. Son yıllarda çevresel kaygılar, teknolojik gelişimler ve kurulum maliyetlerinin düşmesine paralel olarak rüzgar ve güneş enerjisi kurulumları büyük bir artış göstermiştir. Yapılan yatırımların fizibiletesi açısından rüzgar hızlarının ve güneş radyasyonunun doğru tahmin edilmesi, güç sistemi tasarımcıları ve şebeke operatörleri için son derece önemlidir.Güneş radyasyonu ölçümü oldukça maliyetli ve sensör bakım işlemlerinin operasyon, planlama ve yatırım maliyeti gibi güçlükleri vardır. Bu çalışma kapsamında güneş radyasyonun tahmini meteorolojik veriler kullanılarak sistem tanılama, makine öğrenmesi ve derin öğrenme tahmin modelleri yardımıyla yapılmıştır. Çalışma kapsamında 2012-2017 yılları arasında Şanlıurfa, Adıyaman, Diyarbakır, Gaziantep ve Hatay illerindeki ölçüm merkezlerinden alınan 10 dakikalık veri setleri tahmin modellerinde ve doğrulamalarda kullanılmıştır. Veri setindeki sıcaklık, nem, hava basıncı, ET0 ve güneş radyasyonu değişkenleri tez kapsamında yapılan analizler sonucunda modelleme ve doğrulama için en uygun değişkenler olarak seçilmiştir. Veri setindeki eksik veriler doğrusal enterpolasyon ile tamamlanmış ve uygun olmayan veriler elemine edilmiştir. Bu tez kapsamında sistem tanılama, makine öğrenmesi ve derin öğrenme tahmin modelleri Şanlıurfa ölçüm merkezi baz alınarak elde edilmiştir. İlk olarak doğrusal sistem tanılama modellerinden olan dışsal kaynaklı otoregresif ve Box-Jenkins yöntemleri kullanılarak doğrusal olarak güneş radyasonu tahmin modelleri oluşturulmuştur. Doğrusal olmayan tahmin modellerinin sonuçları göz önüne alınarak problemin doğrusal olmayan modeller kullanılarak tanılanmasına karar verilmiştir. Doğrusal olmayan sistem tanılama modellerinden olan dışsal kaynaklı otoregresif modeli ve Hammerstein-Wiener modeli kullanılarak doğrusal olmayan güneş radyasyonu modelleri elde edilmiştir. İkinci yöntem olarak makine öğrenmesi modellerinden olan destek vektör makinelerin zaman serisi tahmin modellerine uygulanabilen regresyon modeli olan destek vektör regresyonu ile farklı kerneller kullanılarak ve parametreleri optimize edilerek doğrusal olmayan güneş radyasyonu modelleri oluşturulmuştur. Üçüncü yöntem olarak derin öğrenme yöntemlerinden olan tekrarlayan sinir ağlarının geliştirilmesi ile kullanılmaya başlayan ve güçlü bir doğrusal olmayan modellemeye sahip uzun kısa süreli hafıza modelleri oluşturulmuş, uzun kısa süreli hafıza modeli için hiperparametreler optimize edilmiştir. Performans metrikleri olarak istatistiki çalışmaların hata analizinde kullanılan R kare, ortalama mutlak hata, kök ortalama kare hata ve normalleştirilmiş kök ortalama kare hata kullanılmıştır. Bu tez kapsamında oluşturulan modellerin, Gaziantep, Diyarbakır, Adıyaman ve Hatay verileri kullanılarak doğrulamaları yapılmıştır. Doğrulama sonuçlarına bakıldığında performans metrikleri kriterine göre uzun kısa süreli hafıza modelinin en iyi performansı sergilediği görülmüştür.