Time series forecasting on solar radiation using deep learning

Abstract

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.

Electricity can be produced from fossil fuels, from nuclear energy, from bio-fuels or from renewable energy resources. As a matter of fact, energy suppliers and managers face the energy management problem. Concerning electricity generation based on solar radiation, it is very important to know precisely the amount of electricity available for the different sources and at different horizons: minutes, hours and days. Depending on the horizon, two main classes of methods can be used to forecast the solar radiation: statistical time series forecasting methods for short to midterm horizons and numerical weather prediction methods for medium to long-term horizons. In this thesis we focus on statistical time series forecasting methods. The aim of this study is to assess if deep learning can be suitable and competitive for solar radiation data time series forecasting. In this context, Recurrent Neural Network variations, namely Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models are used for time series forecasting on solar radiation data. With an experimental approach, the performance of single layer and two layered LSTM and GRU models are investigated. By hyper-parameter tuning optimal parameters are found in order to construct best model that fits the global solar radiation data. In further experiments, the data are divided into the seasons. Seasonal performance of constructed RNN models and other machine learning methods are compared and a hybrid model is proposed according to the experimental results. Finally, the effect of additional meteorological parameters on solar radiation forecasting is investigated. The results show that the LSTM and GRU models can be suitable and competitive for 1 hour horizon time series forecasting on the solar radiation data. Experiments showed that hybrid approach and additional meteorological parameters improve the performance of model.