Time series forecasting on solar radiation using deep learning

Elektrik, fosil yakıtlardan, nükleer enerjiden, biyoyakıtlardan veya yenilenebilir enerji kaynaklarından üretilebilir. Nitekim enerji tedarikçileri ve yöneticileri, enerji yönetimi problemiyle karşılaşmaktadır. Güneş ışığı kaynaklı elektrik üreten sistemlerde, dakika, saat ve gün gibi farklı periyotlarda üretilecek elektriğin miktarını tam olarak bilmek oldukça önemlidir. Güneş ışınımı tahmininde, periyoda bağlı olarak iki ana yöntem kullanılmaktadır. Bu yöntemler kısa ve orta dönemlik periyotlar için istatiksel zaman serileri tahmini ve orta ve uzun dönemlik periyotlar için ise sayısal hava durumu tahminidir. Bu çalışmada istatiksel zaman serileri tahmini yöntemleri odaklanılmıştır. Çalışmanın hedefi, güneş ışınımı verisi üzerinde derin öğrenmeile zaman serileri tahmini yöntemlerinin uygunluğu ve rekabet edebilirliğini araştırmaktır. Bu kapsamda, Yenilemeli Sinir Ağı varyasyonu olan Long Short-Term Memory (LSTM) veGated Recurrent Unit (GRU) modelleri kullanılarak güneş ışınımı üzerinde zaman serileri tahmini yapılmıştır. Parametreler optimize edilerek güneş ışınımı verisini en iyi temsil eden modeli oluşturacak değerler bulunmuştur. Kurulan RNN modellerinin ve diğer makine öğrenmesi yöntemlerinin mevsimsel performansları karşılaştırılmış ve deneysel sonuçlara göre bir hibrit model önerilmiştir. Son olarak, güneş ışınımı tahmini üzerine ilave meteorolojik parametrelerin etkisi araştırılmıştır. Sonuçlar, LSTM ve GRU modellerinin güneş ışınımı verileri üzerinde 1 saatlik ufuktaki zaman serileri tahmini için uygun ve rekabet edebilir olduğunu göstermektedir. Deneyler, hibrit yaklaşımın ve ilave meteorolojik parametrelerin modelin performansını iyileştirdiğini göstermiştir.