Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini

Abstract

Akdeniz Bölgesindeki seçilmiş 14 yerleşim yeri için yatay yüzeye gelen aylık ortalama toplam güneş ışınımını tahmin etmek için yapay sinir ağı (YSA) modeli kullanılmıştır. Geliştirilen YSA'nın mimari yapısı logaritmik sigmoid (logsig) transfer fonksiyon kullanan 12 nöronlu bir gizli katmandan ve lineer (purelin) transfer fonksiyonu kullanan bir çıktı katmandan oluşan ileri beslemeli geri yayılımlı yapay sinir ağları (FFBPANN) modelidir. YSA modelinde Levenberg Marquand geri yayılım algoritması (trainlm) eğitim algoritması kullanılmıştır. Yedi meteorolojik (ortalama hava sıcaklığı, minimum toprak üstü sıcaklığı, 5cm'deki toprak altı sıcaklığı, bağıl nem, bulutluluk, hava basıncı, güneşlenme süresi) ve beş coğrafik (istasyon, ay, enlem, boylam, yükseklik) parametreyi temel alan 1993-2010 yılları arasındaki veriler Devlet Meteoroloji Genel Müdürlüğü'nden (DMGM) alınmıştır. Bu meteorolojik ve coğrafik değişkenler YSA modelinde çıktı parametresi olarak aylık ortalama güneş ışınımını tahmin etmek için girdi parametresi olarak kullanılmıştır. 14 istasyondan elde edilen bu veri setleri verilerin eğitimi ve test edilmesi için iki kısma ayrılmıştır. İstatistik yöntemler kullanılarak YSA modelinden elde edilen sonuçlar meteorolojik verilerle karşılaştırılmıştır. Korelasyon katsayısı (R2), Hata Kareleri Ortalamasının Karekökü (RMSE), Mutlak Hata Oranları Ortalaması (MAPE), Hata Kareleri Ortalaması (MSE), Ortalama Yüzde Hata Kareleri Kare Kökü (RMSPE), Ortalama Yüzde Hata Kareleri (MSPE), Mutlak Ortalama Bias Hata (MABE), Ortalama Hata Eğilimi (MBE), Ortalama Yüzde Hata (MPE), Willmott indeksi (WI) ve t-testi istatistiksel değerleri sırasıyla 0.940 (%), 1.562 (MJ/m2) , 0.079 (%), 2.441(MJ/m2), 0.110 (%), 0.012 (%),1.072 (MJ/m2), -0.417 (MJ/m2), -0.035%, 0.983(MJ/m2), ve 6.211(%) olarak bulunmuştur. Sonuçlar, toplam güneş ışınımının tahmin edilen ve ölçülen değerleri arasında oldukça uyumlu olduğunu göstermiştir. Geliştirilen YSA modelinin diğer yerleşim yerleri ve farklı durumlar için tahmin etmede kullanılabileceğini önermekteyiz.

In order to estimate monthly average global solar radiation on a horizontal surface for selected 14 locations in Mediterranean region was used artificial neural network (ANN) model. The ANN architecture designed is a feed-forward back-propagation (FFBP) model with one-hidden layer containing 12 neurons with logaritmic sigmoid (logsig) as the transfer function and one output layer utilized a linear transfer function (purelin). The training algorithm used in ANN model was the Levenberg Marquand back propagation algorith (trainlm). The data between 1993-2010 based on seven meteorological parameters (monthly average air temperature, minimum soil surface temperature, soil temperature at depths of 5 cm, relative humidity, cloudiness, vapor pressure, sunshine duration) and five geographical parameters (station, month, altitude, latitude, longitude) were taken from Turkish State Meteorological Service (TSMS). These meteorological and geographical variables were used as input parameters to obtain monthly mean global solar radiation as output in ANN model. The datasets of 14 stations were split into two parts for training and for testing the data. Results obtained from ANN model were compared with measured meteorological values by using statistical methods. The correlation coefficient (R2), Root Mean Square Error (RMSE) Mean Absolute Percentage Error (MAPE), Mean Square Error (MSE), Root Mean Square Percentage Error (RMSPE), Mean Square Percentage Error (MSPE), Mean Absolute Bias Error (MABE), Mean Bias Error (MBE), Mean Percentage Error (MPE), Willmott's Index (WI) and t-test values were found to be 0.940 (%), 1.562 (MJ/m2) , 0.079 (%), 2.441(MJ/m2), 0.110(%), 0.012 (%), 1.072 (MJ/m2), -0.417 (MJ/m2), -0.035%, 0.983(MJ/m2), ve 6.211(%) , respectively. Results show good agreement between the estimated and measured values of global solar radiation. We suggest that the developed ANN model can be used to predict solar radiation another location and conditions.