Regresyon Yöntemleri ile Güneş Enerjisi Tahmini

Yıl 2023, Cilt: 8 Sayı: 2, 94 - 104, 08.12.2023

Fatmanur Ateş , Ramazan Şenol

Öz

Dünya üzerinde nüfusun artması ve sanayileşmenin hızlanmasıyla enerjiye olan ihtiyaçta artmaktadır. Enerji ihtiyacının karşılanması için temelde yenilenebilir ve yenilenemez enerji kaynakları kullanılmaktadır. Yenilenebilir enerji kaynakları doğaya zarar vermeyen ve sürekli olma özelliği taşıyan kaynaklar olduğundan son yıllarda kullanımı artış göstermektedir. Yenilenebilir enerji kaynaklarından biri olan güneş, elektrik enerjisi üretiminde kullanımı gün geçtikçe yaygınlaşan kaynaklardandır. Güneş enerjisinden elektrik enerjisinin üretimi pek çok farklı yöntemle yapılabilmektedir ve bu yöntemler artırılıp geliştirilmektedir. Ancak güneşten elektrik enerjisi üretiminin sürekli ve istikrarlı olması için bölgenin güneş ışınımının belirlenmesi ve güneş enerji santrallerinin güneş ışınımı göz önünde bulundurularak kurulması önem arz eder. Bu çalışmada Amerikan Meteoroloji Derneği (AMS) ’nin düzenlemiş olduğu güneş enerjisi tahmin yarışması için oluşturulan ve AMS tarafından kullanıma sunulan verilerden güneş enerjisi tahmini yapılmıştır. Veriler Oklahoma şehrinde “güneş enerjisi çiftlikleri” olarak hizmet veren 98 farklı güneş enerji istasyonundan alınmıştır. Kullanılan veri seti ile literatürde güneş enerjisi tahmini için bulunan mevcut modellere alternatif yapay zeka modeli önermek ve sonuçların iyileştirilmesi amaçlanmıştır. Çalışmada torbalama (bagging), k en yakın komşu (KNN) ve aşırı gradyan artırma (XGB)’ dan oluşan yapay zeka regresyon algoritmaları kullanılarak ve kullanılan algoritmaların hiper parametre ayarlamaları yapılarak model performanslarının iyileştirilmesi sağlanmış ve günlük güneş enerjisi tahmini yapılmıştır. Sonuçlar güneş enerjisi tahmin yarışması için belirlenen performans değerlendirme metriği olan ortalama mutlak hata (MAE) ile verilmiştir. Sonuçlar en iyi performansın torbalama algoritması ile elde edildiğini göstermektedir.

Anahtar Kelimeler

Güneş Enerjisi Tahmini, Regresyon, Torbalama Algoritması

Teşekkür

Çalışmada kullanılan “AMS 2013-2014 Solar Energy Prediction Contest” veri setininin açık kaynak verilerini internet sitelerinde (Kaggle) kullanıma açan herkese teşekkür ederiz.

Kaynakça

• M. Kozak ve Ş. Kozak, “Enerji depolama yöntemleri,” Uluslararası Teknolojik Bilimler Dergisi, 4(2), 17-29, 2012.
• B. Saad, A. El Hannani, R. Errattahi, and A. Aqqal, “Assessing the impact of weather forecast models combination on the ams solar energy prediction,” In 2020 Fourth International Conference On Intelligent Computing in Data Sciences (ICDS), pp. 1-5, 2020. IEEE. Doi: https://doi.org/10.1109/ICDS50568.2020.9268767
• I. Araf, H. Elkhadiri, R. Errattahi, and A. El Hannani, “Ams solar energy prediction: A comparative study of regression models,” In 2019 Third International Conference on Intelligent Computing in Data Sciences (ICDS), pp. 1-5. IEEE, 2019. Doi: https://doi.org/10.1109/ICDS47004.2019.8942237
• A. Zameer, F. Shahid, M. Afzal, and M. Hassan, “Intelligent forecast models for daily solar energy prediction,” 2022.
• D. Díaz–Vico, A. Torres–Barrán, A. Omari, and J. R Dorronsoro, “Deep neural networks for wind and solar energy prediction,” Neural Processing Letters, 46, pp. 829-844, 2017. Doi: https://doi.org/10.1007/s11063-017-9613-7
• S. K. Aggarwal, and L. M. Saini, “Solar energy prediction using linear and non-linear regularization models: A study on AMS (American Meteorological Society) 2013–14 Solar Energy Prediction Contest,” Energy, 78, pp. 247-256, 2014. Doi: https://doi.org/10.1016/j.energy.2014.10.012
• A. Torres-Barrán, Á. Alonso, and J. R. Dorronsoro, “Regression tree ensembles for wind energy and solar radiation prediction,” Neurocomputing, 326, pp. 151-160, 2019. Doi: https://doi.org/10.1016/j.neucom.2017.05.104
• R. Nematirad, and A. Pahwa, “Solar radiation forecasting using artificial neural networks considering feature selection,” In 2022 IEEE Kansas Power and Energy Conference (KPEC), pp. 1-4, IEEE, 2022. Doi: https://doi.org/10.1109/KPEC54747.2022.9814765
• BoomerSooner, StormMiner, Will Cukierski, “AMS 2013-2014 Solar Energy Prediction Contest,” kaggle.com, 2013. [Online]. Available: https://kaggle.com/competitions/ams-2014-solar-energy-prediction-contest [Accessed: Oct. 22, 2023]
• L. Breiman, “Bagging predictors,” Machine learning, 24, pp. 123-140, 1996.
• S. Agarwal and C. R. Chowdary, “A-Stacking and A-Bagging: Adaptive versions of ensemble learning algorithms for spoof fingerprint detection,” Expert Systems with Applications, 146, 113160, 2020. Doi: https://doi.org/10.1016/j.eswa.2019.113160
• T. Xia, P. Zhuo, L. Xiao, S. Du, D. Wang, and L. Xi, “Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm,” Neurocomputing, 433, pp. 237-251, 2021. Doi: https://doi.org/10.1016/j.neucom.2020.10.003
• S. Tafralı, “K-en yakın komşu algoritması nasıl çalışır?” miuul.com, 2022. Erişim Adresi: https://miuul.com/not-defteri/k-en-yakin-komsu-algoritmasi-nasil-calisir [Erişim Tarihi: 05.11.2023]
• G. Dilki ve Ö. D. Başar, “İşletmelerin İflas Tahmininde K-En Yakin Komşu Algoritmasi Üzerinden Uzaklik Ölçütlerinin Karşilaştirilmasi,” İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 19(38), 224-233, 2020.
• E. Gül ve M. Kalyoncu, “Ağır Vasıta Hava Kompresörü Piston Segmanı Aşınması Durumlarında K-En Yakın Komşu Algoritmasının Sınıflandırma Performansının İncelenmesi,” Avrupa Bilim ve Teknoloji Dergisi, 78-90, 2020.
• E. Taşcı ve A. Onan, “K-en yakın komşu algoritması parametrelerinin sınıflandırma performansı üzerine etkisinin incelenmesi,” Akademik Bilişim, 1(1), 4-18, 2016.
• H. Abar, “Xgboost Ve Mars Yöntemleriyle Altin Fiyatlarinin Kestirimi,” Ekev Akademi Dergisi, (83), 427-446, 2020.
• S. Guan, Y. Wang, L. Liu, J. Gao, Z. Xu, and S. Kan, “Ultra-short-term wind power prediction method based on FTI-VACA-XGB model,” Expert Systems with Applications, 235, 121185, 2024. Doi: https://doi.org/10.1016/j.eswa.2023.121185
• M. F. Bekçioğullari, B. Dikici, H. Açikgöz ve Ö. F. Keçecioğlu, “Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması,” EMO Bilimsel Dergi, 11(22), 37-45, 2021.
• Ö. A. Karaman ve Y. Bektaş, “Makine Öğrenmesi ve Optimizasyon Yöntemleri ile Uzun Dönem Elektrik Enerjisi Tahmini: Türkiye Örneği,” Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 285-292, 2023.