Makine öğrenme ve ampirik modeller kullanılarak Eskişehir'de saatlik küresel güneş radyasyonunun tahmini

Güneş panellerine etki eden kısa dönem küresel güneş radyasyonu miktarını bilmenin önemi arttığı için, saatlik küresel güneş radyasyonu (HGSR) daha doğru ve güvenilir enerji üretim tahmini için gereklidir. Günümüzde, makine öğrenimi (ML) yöntemleri veri tahmini için büyük bir trend haline geliyor. Bu çalışmada, ML yöntemlerinin HGSR'yi tahmin etmede güvenilirliği göstermek için beş ampirik modelin ML yöntemini ile Eskişehir şehri için karşılaştırması yapılmıştır. ML yöntemlerinden, yapay sinir ağı (YSA), regresyon ağacı (RT) ve destek vektör regresyonu (SVR), HGSR'yi tahmin etmek için bu çalışmada kullanılan yöntemlerdir. Bu çalışmalar, Türkiye Devlet Meteoroloji İşleri Genel Müdürlüğü'nden elde edilen bir yıllık veri seti üzerinde gerçekleştirilmiştir. Bu yöntemlerin karşılaştırılması MATLAB yazılımı kullanılarak yapılmıştır. Bununla birlikte, bu çalışma Collares-Pereira ve Rabl (CPRG) modelinin diğer ampirik modeller arasında en doğru sonucu verdiğini kanıtlamıştır. Buna ragmen, ML yöntemleri, CPRG ampirik modelinden daha iyi performans göstermiştir. Hemen hemen tüm ML modelleri neredeyse benzer sonuçlar vermesine rağmen, SVR aralarında en iyisidir. Özetle, ML'nin güneş enerji tahmini alanında, gelecekte HGSR'yi mükemmel bir şekilde tahmin etmek için dikkate alınması gereken başarılı yöntemler olduğu gözlemlenmiştir.Anahtar Sözcükler: Saatlik Küresel Güneş Radyasyonu, Makine Öğrenmesi, Yapay Sinir Ağı, Regresyon Ağacı, Destek Vektör Regresyonu Due to the increasing importance of knowing short term data of global solar radiation amount incident on solar panels, hourly global solar radiation (HGSR), is essentially required to obtain more accurate and reliable power generation prediction. Nowadays, Machine Learning (ML) methods are becoming a huge trend for data forecasting. In this study, to ensure that ML methods are reliable to estimate HGSR, a comparison between five existing empirical models and ML methods for HGSR estimation in Eskişehir city, Turkey is conducted. Artificial Neural Network (ANN), Regression Tree (RT) and Support Vector Regression (SVR) are popular ML methods that are used to predict HGSR in this study. In addition, this study is carried out on one year data set which is obtained from Turkish State Meteorological Service. The comparisons are implemented using MATLAB software to demonstrate these techniques. However, this study proved that Collares-Pereira & Rabl (CPRG) model gives the most accurate result among other empirical models. Nevertheless, ML methods also outperform CPRG empirical model. Despite the fact that almost all ML models gave almost similar results, SVR was the best among them. In a nutshell, it has been observed that ML methods are one of the successful methods that should be taken into consideration to perfectly estimate HGSR in the future in the field of solar energy estimation.Keywords: Hourly Global Solar Radiation, Machine Learning, Artificial Neural Network, Regression Tree, Support Vector Regression 71