Dalgacık dönüşümü ve shap destekli özellik seçimi ile CNN-LSTM tabanlı güneş ışınımı tahmini

Bu tez çalışması, güneş ışınımı tahmininde yüksek doğruluk ve açıklanabilirlik sağlamak amacıyla ayrık dalgacık tabanlı hibrit bir Evrişimsel Sinir Ağı (CNN)- Uzun Kısa Süreli Bellek Ağı) modeli ile SHAP destekli analiz ve özellik seçimini bir araya getiren özgün bir çerçeve önermektedir. Çalışmada, Suudi Arabistan'ın Riyad şehrine ait 15 dakikalık aralıklarla toplanan üç yıllık meteorolojik veriler kullanıldı. Manuel özellik mühendisliği ile veri seti zenginleştirildi, ardından Ayrık Dalgacık Dönüşümü (DWT) uygulanarak gürültü azaltımı ve çok ölçekli bileşen çıkarımı gerçekleştirildi. CNN katmanları uzamsal desenleri, LSTM katmanları ise zamansal bağımlılıkları modelledi. Optuna tabanlı Baysesçi optimizasyon ile hiperparametreler belirlendi. Shapley Katkı Açıklamaları (SHAP) analizi ile ortalama katkısı en yüksek %20'lik dilimdeki değişkenler seçildi ve model yeniden eğitilerek ablasyon çalışmaları ile bileşen katkıları doğrulandı. 5 katlı zaman serisi bölme çapraz doğrulama yöntemi ile yapılan değerlendirmelerde modelin, her bir fold sonucunda düşük Kök Ortalama Kare Hatası (RMSE) ve yüksek Belirleme Katsayısı (R²) değerleri elde edebildiği görüldü. Özellikle zenith açısı ve bulut opaklığı gibi değişkenlerin tahminde baskın rol oynadığı belirlendi. Ayrıca modelin sağlamlığı belirsizlik tahmini ile değerlendirildi. SHAP yardımıyla seçilen özellikler Temel Bileşenler Analizi (PCA) ile de doğrulandı. Elde edilen sonuçlar, önerilen yöntemin güneş enerjisi potansiyelinin özellikle kısa vadeli değerlendirilmesinde, şebeke entegrasyonu ve enerji yönetiminde güvenilir bir araç olduğunu göstermektedir. Önerilen yaklaşım benzer iklim koşullarına sahip bölgelerde uygulanabilme potansiyeli taşımakta olup, esnek bir tahmin sistemi sunarak literatürdeki açıklanabilir Derin Öğrenme (DL) tabanlı güneş ışınımı tahmini çalışmalarına önemli bir katkı sağlama potansiyeline sahiptir. Anahtar Kelimeler: Güneş ışınımı tahmini, ayrık dalgacık dönüşümü, hibrit CNN-LSTM, SHAP, özellik seçimi