Research Article
BibTex RIS Cite

Effects of Artificial Different Neural Network Methods on Experimentally Measured Solar Radiation Estimation

Year 2023, Volume: 23 Issue: 4, 962 - 972, 31.08.2023
https://doi.org/10.35414/akufemubid.1235960

Abstract

The decrease in available energy reserves has made photovoltaic solar systems popular. In order for the system to be operated effectively, it must be managed effectively and its radiations must be predicted successfully. The study; A yearly solar radiation data (1*8760 size data set) measured hourly within Afyon Kocatepe University and a 3*7310 size data containing the annual radiation, pressure and average temperature values measured at certain hourly intervals (05:00 am - 02:00 pm). It has been carried out with multiple models based on Artificial Neural Networks, using the set. First model; With a one-year radiation data with a data size of 1*8760, the second and third models; It was created by using different input values recorded daily for 10 hours. Artificial neural networks were trained with different measurement values taken for the same region on the same dates and their performances were compared. In the study carried out, the success rate of the first model was 87.78%, the success rate of the second model was 73%, and the third model was 71%. Study; The importance of the input data, the number of neurons to be used in the hidden layer and the training function to be used has been pointed out.

References

  • Agbo G. A., Ibeh G. F., Ekpe J. E., 2012. Estimation of global solar radiation at Onitsha with regression analysis and artificial neural network models. Res. J. Recent Sci., 1 27-31.
  • Akarslan, E. and Hocaoğlu, F.O., 2018. Bir Fotovoltaik Güç Sisteminin Üretiminin Çok Boyutlu Tahmin Filtreleri ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 18(2), 516-522.
  • Angarita J. and Usaola J., 2007. Combining hydro-generation and wind energy biddings and operation on spot electricitymarkets. Electric Power Systems Research, 77(5-6):393–400.
  • Arslan, G., Bayhan, B. and Yaman, K., 2019. Mersin / Türkiye için Ölçülen Global Güneş Işınımının Yapay Sinir Ağları ile Tahmin Edilmesi ve Yaygın Işınım Modelleri ile Karşılaştırılması. Gazi University Journal of Science Part C: Design and Technology, 7 (1) , 80-96.
  • Bakırcı, K., 2009. Yatay Yüzeye Gelen Anlık Global Güneş Işınımın Tahmini İçin Basit Bir Hesaplama Metodu . Isı Bilimi ve Tekniği Dergisi , 29 (2) , 53-58 . Retrieved from https://dergipark.org.tr/en/pub/isibted/issue/33926/375558
  • Cao J. and Cao. S., 2005. Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis. Applied Thermal Engineering, 25:161–172.
  • Ceylan, Z. and Bulkan, S., 2018. Türkiye Ulaşım Kaynaklı Enerji İhtiyacının Hibrit ANFIS-PSO Metodu ile Tahmini .Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 18 (2), 740-750.
  • Ehmeind Maham, F. and Akarslan, E. 2022. Güneş Işınım Tahmini için Farklı Güneşlenme Durumlarından Faydalanan Hibrit Bir Yöntem Tasarımı. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 22 (3), 588-596.
  • Glahn H. and Lowry D., 1972. The use of Model Output Statistics (MOS) in objective weather forecasting, Journal ofApplied Meteorology, 11:1203–1211.
  • Gökçe, B. and Sonugür, G., 2015. ANFIS ve YSA Yöntemleri ile İşlenmiş Doğal Taş Üretim Sürecinde Verimlilik Analizi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 16 (1), 174-185.
  • Güçlü, Y. S. & Şen, Z., 2020. Güneş Işınımı Tahmini için Yeni Bir Yaklaşım: OrtLin Modeli . İklim Değişikliği ve Çevre, 5 (1) , 26-31 . Retrieved from https://dergipark.org.tr/en/pub/idec/issue/53338/698839
  • Jain, A., Mehta, R. and Mittal, S.K., 2011. Modeling impact of solar radiation on site selection for solar PV power plants in India. International Journal of Green Energy, 8(4), 486-498.
  • Kara A., 2019. Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi University Journal of Science Part C: Design and Technology , 7 (4) , 882-892.
  • Köken, E., 2022. Modeling the Throughput of Horizontal Shaft Impact Crushers Using Regression Analyses, Artificial Neural Networks and Multivariate Adaptive Regression Spline . Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi , 22 (5) , 1193-1203 . DOI: 10.35414/akufemubid.1116702
  • Louzazni M., Mosalam H., and Khouya A., A non-linear auto-regressive exogenous method to forecast the photovoltaic power output, Sustain. Energy Technol. Assessments, vol. 38, p. 100670, Apr. 2020.
  • Makridakis, S., and S. C. Wheelwright., 1989. Forecasting Methods for Management. 5th ed. New York: John Wiley & Sons, 102-170 pp.
  • Momeni, E.; Nazir, R.; Armaghani, D.J.; Maizir, H., 2014. Prediction of pile bearing capacity using a hybrid genetic algorithm-based ANN. Measurement, 57: 122–131.
  • Prasad K., Gorai A.K., Goyal P., 2016. Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time, Atmos Environ., 128, 246–262.
  • Şahan M. and Okur Y., 2016. Akdeniz Bölgesine Ait Meteorolojik Veriler Kullanılarak Yapay Sinir Ağları Yardımıyla Güneş Enerjisinin Tahmini. Süleyman Demirel University Faculty of Arts and Science Journal of Science, vol. 11, no. 1, pp. 61-71.
  • Şekertekin, A. 2019. Işınım Transferi Denklemi Baz Alınarak Yer Yüzey Sıcaklığının Landsat-8 Uydu Verileri ile Haritalanması. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 19 (3) , 769-777 . DOI: 10.35414/akufemubid.559576
  • Yıldız E., Kelek M.M., Hocaoğlu F.O. and Oğuz Y., 2023. Forecasting The Impact of Vaccination on Daily Cases in Turkey for Covid-19", Academic Platform Journal of Engineering and Smart Systems, vol. 11, no. 1, pp. 19-26.

Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi

Year 2023, Volume: 23 Issue: 4, 962 - 972, 31.08.2023
https://doi.org/10.35414/akufemubid.1235960

Abstract

Mevcut enerji rezervlerinin azalması, fotovoltaik güneş enerjili sistemleri popüler hale getirmiştir. Sistemin etkin bir şekilde işletilebilmesi için etkin bir şekilde yönetilmesi ve ışınımlarının başarılı şekilde tahmin edilmesi gerekmektedir. Çalışma; Afyon Kocatepe Üniversitesi bünyesinde saatlik olarak ölçülmüş bir yıllık güneş ışınım verisi (1*8760 boyutlu data seti) ve belirli saat aralıklarla (05:00 ile 14:00) ölçülen bir yıllık ışınım, basınç ve ortalama sıcaklık değerlerini içeren 3*7310 boyutlu data seti kullanılarak, Yapay Sinir Ağları temelli birden fazla modellerle gerçekleştirilmiştir. Birinci model; 1*8760 veri boyutuna sahip bir yıllık ışınım verisiyle, ikinci ve üçüncü model ise; günlük 10’ar saatlik kayıtlar altına alınan farklı girdi değerlerinin kullanılmasıyla oluşturulmuştur. Aynı tarihlerde aynı bölge için alınan farklı ölçüm değerleri ile yapay sinir ağları eğitilmiş ve performansları kıyaslanmıştır. Gerçekleştirilen çalışmada birinci modelin başarı oranı %87,78, ikinci modelde başarı oranı %73, üçüncü modelde ise %71’dir. Çalışma; girdi verilerinin, gizli katmanda kullanılacak nöron sayısının ve kullanılacak eğitim fonksiyonunun önemine dikkat çekilmiştir.

References

  • Agbo G. A., Ibeh G. F., Ekpe J. E., 2012. Estimation of global solar radiation at Onitsha with regression analysis and artificial neural network models. Res. J. Recent Sci., 1 27-31.
  • Akarslan, E. and Hocaoğlu, F.O., 2018. Bir Fotovoltaik Güç Sisteminin Üretiminin Çok Boyutlu Tahmin Filtreleri ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 18(2), 516-522.
  • Angarita J. and Usaola J., 2007. Combining hydro-generation and wind energy biddings and operation on spot electricitymarkets. Electric Power Systems Research, 77(5-6):393–400.
  • Arslan, G., Bayhan, B. and Yaman, K., 2019. Mersin / Türkiye için Ölçülen Global Güneş Işınımının Yapay Sinir Ağları ile Tahmin Edilmesi ve Yaygın Işınım Modelleri ile Karşılaştırılması. Gazi University Journal of Science Part C: Design and Technology, 7 (1) , 80-96.
  • Bakırcı, K., 2009. Yatay Yüzeye Gelen Anlık Global Güneş Işınımın Tahmini İçin Basit Bir Hesaplama Metodu . Isı Bilimi ve Tekniği Dergisi , 29 (2) , 53-58 . Retrieved from https://dergipark.org.tr/en/pub/isibted/issue/33926/375558
  • Cao J. and Cao. S., 2005. Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis. Applied Thermal Engineering, 25:161–172.
  • Ceylan, Z. and Bulkan, S., 2018. Türkiye Ulaşım Kaynaklı Enerji İhtiyacının Hibrit ANFIS-PSO Metodu ile Tahmini .Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 18 (2), 740-750.
  • Ehmeind Maham, F. and Akarslan, E. 2022. Güneş Işınım Tahmini için Farklı Güneşlenme Durumlarından Faydalanan Hibrit Bir Yöntem Tasarımı. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 22 (3), 588-596.
  • Glahn H. and Lowry D., 1972. The use of Model Output Statistics (MOS) in objective weather forecasting, Journal ofApplied Meteorology, 11:1203–1211.
  • Gökçe, B. and Sonugür, G., 2015. ANFIS ve YSA Yöntemleri ile İşlenmiş Doğal Taş Üretim Sürecinde Verimlilik Analizi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 16 (1), 174-185.
  • Güçlü, Y. S. & Şen, Z., 2020. Güneş Işınımı Tahmini için Yeni Bir Yaklaşım: OrtLin Modeli . İklim Değişikliği ve Çevre, 5 (1) , 26-31 . Retrieved from https://dergipark.org.tr/en/pub/idec/issue/53338/698839
  • Jain, A., Mehta, R. and Mittal, S.K., 2011. Modeling impact of solar radiation on site selection for solar PV power plants in India. International Journal of Green Energy, 8(4), 486-498.
  • Kara A., 2019. Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi University Journal of Science Part C: Design and Technology , 7 (4) , 882-892.
  • Köken, E., 2022. Modeling the Throughput of Horizontal Shaft Impact Crushers Using Regression Analyses, Artificial Neural Networks and Multivariate Adaptive Regression Spline . Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi , 22 (5) , 1193-1203 . DOI: 10.35414/akufemubid.1116702
  • Louzazni M., Mosalam H., and Khouya A., A non-linear auto-regressive exogenous method to forecast the photovoltaic power output, Sustain. Energy Technol. Assessments, vol. 38, p. 100670, Apr. 2020.
  • Makridakis, S., and S. C. Wheelwright., 1989. Forecasting Methods for Management. 5th ed. New York: John Wiley & Sons, 102-170 pp.
  • Momeni, E.; Nazir, R.; Armaghani, D.J.; Maizir, H., 2014. Prediction of pile bearing capacity using a hybrid genetic algorithm-based ANN. Measurement, 57: 122–131.
  • Prasad K., Gorai A.K., Goyal P., 2016. Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time, Atmos Environ., 128, 246–262.
  • Şahan M. and Okur Y., 2016. Akdeniz Bölgesine Ait Meteorolojik Veriler Kullanılarak Yapay Sinir Ağları Yardımıyla Güneş Enerjisinin Tahmini. Süleyman Demirel University Faculty of Arts and Science Journal of Science, vol. 11, no. 1, pp. 61-71.
  • Şekertekin, A. 2019. Işınım Transferi Denklemi Baz Alınarak Yer Yüzey Sıcaklığının Landsat-8 Uydu Verileri ile Haritalanması. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 19 (3) , 769-777 . DOI: 10.35414/akufemubid.559576
  • Yıldız E., Kelek M.M., Hocaoğlu F.O. and Oğuz Y., 2023. Forecasting The Impact of Vaccination on Daily Cases in Turkey for Covid-19", Academic Platform Journal of Engineering and Smart Systems, vol. 11, no. 1, pp. 19-26.
There are 21 citations in total.

Details

Primary Language Turkish
Subjects Artificial Intelligence, Electrical Engineering
Journal Section Articles
Authors

Enes Yıldız 0000-0001-9116-4980

Fatih Serttaş 0000-0003-3109-716X

Early Pub Date August 29, 2023
Publication Date August 31, 2023
Submission Date January 16, 2023
Published in Issue Year 2023 Volume: 23 Issue: 4

Cite

APA Yıldız, E., & Serttaş, F. (2023). Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 23(4), 962-972. https://doi.org/10.35414/akufemubid.1235960
AMA Yıldız E, Serttaş F. Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. August 2023;23(4):962-972. doi:10.35414/akufemubid.1235960
Chicago Yıldız, Enes, and Fatih Serttaş. “Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 23, no. 4 (August 2023): 962-72. https://doi.org/10.35414/akufemubid.1235960.
EndNote Yıldız E, Serttaş F (August 1, 2023) Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 23 4 962–972.
IEEE E. Yıldız and F. Serttaş, “Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi”, Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, vol. 23, no. 4, pp. 962–972, 2023, doi: 10.35414/akufemubid.1235960.
ISNAD Yıldız, Enes - Serttaş, Fatih. “Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 23/4 (August 2023), 962-972. https://doi.org/10.35414/akufemubid.1235960.
JAMA Yıldız E, Serttaş F. Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2023;23:962–972.
MLA Yıldız, Enes and Fatih Serttaş. “Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, vol. 23, no. 4, 2023, pp. 962-7, doi:10.35414/akufemubid.1235960.
Vancouver Yıldız E, Serttaş F. Farklı Yapay Sinir Ağları Yöntemlerini Deneysel Olarak Ölçülen Güneş Işınım Tahminine Etkisi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2023;23(4):962-7.