Uzayzamansal derin öğrenme ile güneş enerjisi üretimi tahminlemesi

Güneş enerjisi, en hızlı gelişen karbonsuz elektrik üretim yöntemlerindendir. Küresel iklim krizi ile mücadeledeki önemli rolüne karşın, dağıtık (1 MW kapasitenin altındaki) güneş enerjisi santrallerinin sayısındaki hızlı büyüme, elektrik piyasalarında bazı problemleri beraberinde getirmektedir. Coğrafi olarak geniş bir alanda konumlanmış yüzlerce santral, saatlik elektrik arzında önemli sapmalara yol açabilmektedir. Dolayısıyla, elektrik piyasası işlemlerinde ileri tarihli üretim tahminlemelerinin en yük\-sek isabetle gerçekleşmesi önem arz etmektedir. Bu çalışmada, Orta Anadolu bölgesinde geniş bir alana dağılmış binden fazla güneş enerjisi santralinin saatlik toplam üretim değerlerinin gün öncesinde tahminlenmesi için çözüm üreten çeşitli derin öğrenme teknikleri uygulanmıştır. Halihazırda literatürde bulunan dört farklı derin öğrenme mimarisi, bu çalışmada sunulan paralel yerel bağlantılı uzun-kısa süreli bellek ağı ile birlikte sayısal hava durumu tahminlerinin uzay-zamansal yapısına uyarlanmıştır. Bütün modeller, birden fazla grafik işlemci biriminin kullanıldığı dağıtık yapıdaki bir sezgisel hiperparametre eniyileme işleminden geçirilmiştir. Her model için en iyi çalışan deneme, doğrulama veri kümesi kullanılarak seçildikten sonra modeller kendi aralarında ve referans modellerle karşılaştırmalı olarak raporlanmıştır. Sonuçlar referanslarla kıyaslandığında derin öğrenme modellerinin uzay-zamansal güneş enerjisi tahminleme probleminde iyi çalıştığını göstermiştir.Ayrıca, iyi bir parametre seçilimi sağlandığında düşük karmaşık\-lıktaki modellerin daha karmaşık modellere yakın performans verebileceğini görülmüştür. Her hata ölçevi bakımından galip gelen tek bir model olmasa da, önerilen modelin yanlılık ve varyans ikilemi göz önünde bulundurulduğunda paylaşımlı parametreli ağ ve tam bağlantılı ağ arasında konumlanması gelecek vaat edicidir.