Güneş ışınım şiddetinin akıllı hibrit yaklaşımlar ile tahmini

Günümüzde, hızla tükenmekte olan fosil kökenli enerji kaynaklarını azalması nedeniyle gelecek nesillerin enerji ihtiyacını karşılayabilmek için yeni ve alternatif enerji kaynakları üzerinde yapılan çalışmalar büyük bir öneme sahiptir. Yenilenebilir enerji kaynakları, bu tür enerji kaynakları üzerine yapılan çalışmaların büyük bir bölümünü oluşturmaktadır. Bu kaynaklar arasında oldukça önemli bir yere sahip olan güneş enerjisi, dünya üzerinde her noktada bulunabilen, bol ve tükenmeyen, çevreyi kirletici atıkları bulunmayan vazgeçilmez bir kaynaktır. Güneş enerjisi sistemlerinden elde edilecek olan enerjinin sürekli olmaması ve maliyetlerinin yüksek olması gibi dezavantajları göz önüne alındığında güneş enerji santrallerinin kurulumundan önce fizibilite çalışmalarının yapılması büyük bir öneme sahiptir. Güneş enerjisinin potansiyelini belirlemek için yapılan bu fizibilite çalışmalarında, güneş ışınım şiddetinin miktarı önemli bir parametre olarak karşımıza çıkmaktadır. Güneş ışınım şiddeti tahmininde istatistiksel, fiziksel, makine öğrenmesi ve hibrit yaklaşımlar gibi birçok faklı yöntem literatürde önerilmiştir. Bu çalışmada, kısa dönemli güneş ışınım şiddeti tahmininde güçlü bir araç olan yapay sinir ağları (YSA) hem dalgacık ayrıştırma yöntemi-wavelet decomposition (WD) hem de görgül kip ayrışımı-emprical mode decomposition (EMD) yöntemi ile bir arada kullanılarak hibrit modeller önerilmiştir. Hibrit modelde öncelikle Bilecik iline ait aylık güneş ışınım şiddeti verileri WD ve EMD yöntemi ile alt sinyal bileşenlerine ayrıştırılmıştır. Bir sonraki aşamada ise her bir seviye için geçmiş zaman verileri ile ileri beslemeli ağ-Feed Forward Neural Network (FFNN) ile eğitilerek model sonuçları elde edilmiş. Oluşturulan her bir hibrit ağ yapısının test performans sonuçları, yalnızca YSA kullanılarak elde edilen çıktılarla karşılaştırılmıştır. Aylık bazda yapılan çalışmada elde edilen sonuçların hata performans metrikleri değerine göre FFNN_EMD hibrit yaklaşımın daha yüksek doğrulukta sonuç verdiği gözlemlenmiştir. Özellikle hızla gelişen makine öğrenmesi teknikleri ile de birlikte bu tür hibrit yaklaşımların gelecekte farklı akıllı sezgisel metotlara da uygulanabileceği öngörülmektedir.