Abstract
Bağlam—Fotovoltaik enerji sistemlerinin verimli planlanması, işletilmesi ve şebeke entegrasyonu için doğru güneş ışınımı tahmini büyük önem taşımaktadır. Ancak güneş ışınımı; sıcaklık, basınç, rüzgâr hızı, rüzgâr yönü, güneşlenme süresi, aerosoller ve bulutluluk gibi meteorolojik ve atmosferik koşullardan etkilendiği için oldukça doğrusal olmayan ve zamana bağlı değişkenlik gösteren bir parametredir. Geleneksel istatistiksel ve makine öğrenmesi yöntemleri bu değişkenleri sayısal girdiler olarak kullanabilse de, çoklu meteorolojik özellikler arasındaki zamansal etkileşimleri tek ve kompakt bir yapı içinde tam olarak temsil etmekte yetersiz kalabilir. Bu nedenle, çok değişkenli zaman serisi verilerini derin öğrenme modelleri tarafından etkili biçimde öğrenilebilecek bir forma dönüştüren alternatif veri temsil stratejilerine ihtiyaç duyulmaktadır. Amaç—Bu çalışmanın amacı, saatlik güneş ışınımı tahmini için yeni bir QR kod tabanlı iki boyutlu evrişimli sinir ağı yaklaşımı önermek ve değerlendirmektir. Çalışmanın temel amacı, çoklu meteorolojik zaman serilerini gri tonlamalı QR benzeri görüntülere dönüştürmek ve bu görüntü tabanlı temsilin yaygın olarak kullanılan makine öğrenmesi modellerine kıyasla tahmin performansını iyileştirip iyileştirmediğini araştırmaktır. Yöntem—Bu çalışmada, Türkiye’nin Afyonkarahisar ilinde bulunan bir meteoroloji istasyonundan elde edilen saatlik ortalama sıcaklık, basınç, güneş ışınımı, güneşlenme süresi, rüzgâr hızı ve rüzgâr yönü verileri kullanılmıştır. Veri seti 1 Ocak 2011 ile 31 Aralık 2014 arasındaki dönemi kapsamaktadır. 2011–2012 yıllarına ait veriler eğitim, 2013 yılına ait veriler doğrulama ve 2014 yılına ait veriler test amacıyla kullanılmıştır. Önerilen yöntemde, altı meteorolojik değişkenin önceki 24 saate ait değerleri dikey olarak istiflenerek 6×24 boyutunda bir matris oluşturulmuştur. Bu matris daha sonra gri tonlamalı QR benzeri bir görüntüye dönüştürülmüş ve bir sonraki saate ait güneş ışınımı değerini tahmin etmek üzere 2D-CNN modeline girdi olarak verilmiştir. Önerilen model; yapay sinir ağı, rastgele orman regresyonu, karar ağacı regresyonu ve k-en yakın komşu modelleri ile karşılaştırılmıştır. Performans değerlendirmesi RMSE, MAE ve belirleme katsayısı kullanılarak yapılmıştır. Bulgular—Önerilen QR kod tabanlı CNN yaklaşımı, test verileri üzerinde 68.867 RMSE, 31.853 MAE ve 0.9358 R² değeri elde etmiştir. Önerilen yöntem, değerlendirme metriklerine göre karşılaştırılan tüm makine öğrenmesi modellerinden daha yüksek performans göstermiştir. Karşılaştırma modelleri arasında yapay sinir ağı en yakın performansı sağlarken, k-en yakın komşu modeli genel olarak en zayıf sonuçları üretmiştir. Sonuç—Elde edilen bulgular, çok değişkenli meteorolojik zaman serisi verilerinin QR benzeri gri tonlamalı görüntülere dönüştürülmesinin CNN tabanlı güneş ışınımı tahmini için etkili bir girdi temsili sağladığını göstermektedir. Önerilen yaklaşım, birden fazla özelliği tek bir görüntü tabanlı yapı içerisinde birleştirmekte ve saatlik güneş ışınımı tahmini için basit, yorumlanabilir ve yüksek performanslı bir alternatif sunmaktadır. Gelecekteki çalışmalarda yöntem daha büyük veri setleri, farklı coğrafi bölgeler ve çok adımlı tahmin ufukları kullanılarak test edilebilir.