Vol. 11 No. 81 (2023)

Research Article

Estimating Solar Radiation Intensity: The Example of Bursa

Published 2023-02-28

  • Necla Tektaş Bandırma Onyedi Eylül University
  • Ebru Korkmaz Bandırma Onyedi Eylül University
Cilt 11 Sayı 81 kapak

Öz

Güneş Işınım Şiddetinin Tahminlenmesi: Bursa Örneği

Günümüzde çevre kirliliği, sanayileşme, nüfus artışı, yakıt kullanımı ve doğaya zarar veren faktörlerin de etkisiyle dünyamızın en büyük sorunlarından biri haline gelmiştir. Bu sorunun çözümünde yenilenebilir enerji kaynakları, doğal kaynaklardan elde edilmesi, çevreye zarar vermemesi, tükenmeyen enerji kaynağı olması ve sürdürülebilir olması gibi özelliklerinden dolayı ilk sıralarda yer almıştır. Yenilenebilir enerji kaynaklarından güneş enerjisi, ucuz, temiz potansiyeli yüksek, çevreye zararı oldukça az olduğundan tükenmekte olan fosil enerji kaynaklarına alternatif olarak görülmektedir. Ayrıca, Türkiye güneş enerjisi açısından avantajlı konumda yer almaktadır. Bu nedenle yenilenebilir enerji kaynaklarına göre uygun bölge ve illerin belirlenmesi ve yatırımların buna göre planlanması önemlidir. Bu çalışmada güneş enerjisi ile ilgili çalışmalarda önemli parametrelerden olan güneş ışınım miktarı kullanılarak hesaplamalar yapılmıştır. Çalışmada büyükşehir, sanayi, turizm, nüfus ve coğrafi konum gibi parametreler dikkate alınarak Bursa ili için analizler yapılmıştır. 2015-2019 yılları için günlük/saatlik güneş ışınım verileri Matlab programı aracılığı ile analiz edilmiştir. Yapay sinir ağları ile yapılan tahminlemede kullanılan Bayesian Regularizasyon, Levenberg-Marquardt ve Scaled Conjugate Gradient yöntemleri ile çözümler yapılmıştır. Bunların içinde Bayesian Regularizasyon yöntemi en iyi sonucu vermiştir.

Anahtar Kelimeler Tahminleme, Güneş Işınımı, Yapay Sinir Ağları

Abstract

Today, environmental pollution has become one of the biggest problems of our world with the effect of industrialization, population growth, fuel use and factors that harm nature. In the solution of this problem, renewable energy sources have taken place in the first place due to their features such as being obtained from natural sources, not harming the environment, being an inexhaustible energy source and being sustainable. Solar energy, which is one of the renewable energy sources, is seen as an alternative to fossil energy sources, which is cheap, has a high clean potential and is less harmful to the environment. In addition, our country is in an advantageous position in terms of solar energy. For this reason, it is important to determine suitable regions and provinces according to renewable energy sources and to plan investments accordingly. In this study, calculations were made using the amount of solar radiation, which is one of the important parameters in solar energy studies. In the study, analyzes were made for the province of Bursa, taking into account parameters such as metropolitan, industry, tourism, population and geographical location. Daily/hourly solar radiation data for the years 2015-2019 were analyzed through the Matlab program. Solutions were made with Bayesian Regularization, Levenberg-Marquardt and Scaled Conjugate Gradient methods used in the estimation with artificial neural networks. Among these three methods, Bayesian Regularization method gave the best results.

Keywords Forecast, Solar Radiation, Artificial Neural Networks

PDF (Turkish)

References

  1. Ataseven, B. (2013). Yapay Sinir Ağlari İle Öngörü Modellemesi. In Öneri Dergisi, 10, 39. https://doi.org/10.14783/od.v10i39.1012000311.
  2. Abramowitz, J. S. ve Jacoby, R. J. (2015). Obsessive-compulsive and related disorders: A critical review of the new DOI: https://doi.org/10.1093/oxfordhb/9780199328710.013.025
  3. Askin D., Iskender I. & Mamizadeh A., (2011) Dry Type Transformer Winding Thermal Analysis Using Different Neural Network Methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 26(4): 905-913.
  4. Baharin, K.A. Rahman, HA ve G. K. (2013). IEEE Araştırma ve Geliştirme Öğrenci Konferansı, 191–19, ISBN : 978-605-68882-0-5, https://doi.org/10.1109/SCOReD .2013.7002570
  5. Deniz, E., & Atik, K. (2007). Güneş Işınım Şiddeti Tahminlerinde Yapay Sinir Ağları ve Regresyon Analiz Yöntemleri Kullanımının İncelenmesi, Isı Bilimi ve Tekniği Dergisi, 27(2), 15–20. https://doi.org/ISSN 1300-3615
  6. Ervural, B. Ç. (2018). Yenilenebilir Enerji Planlaması İçin Bütünleşik Çok Amaçlı Bir Karar Modeli Önerisi [İstanbul Teknik Üniversitesi]. https://movisa.org.mx/images/NoBS_Report.pdf
  7. Fındık T., Taşdemir Ş. & Şahin I. (2010). The use of artificial neural network for prediction of grain size of 17-4 pH stainless steel powders, Scientific Research and Essays, 5(11): 1274-128.
  8. Gonzalez, S., (2000-07) Neural Networks for Macroeconomic Forecasting: A Complementary Approach to Linear Regression Models, Working Paper
  9. İnan, İ., Akbulut, İ., & Aslan, E. (2018). Enerji orununun Çözümünde Yenilenemez ve Yenilenebilir Enerji Kaynaklarinin Yeri ve Önemi. Türk Dünya Araştırmaları, 11–40.
  10. Kaastra I. ve Boyd M., (1996), Designing a Neural Network for Forecasting Financial and Economic Time Series, Neurocomputing, 10, 215-236. DOI: https://doi.org/10.1016/0925-2312(95)00039-9
  11. Kalogirou S. A. (2003). Artificial intelligence for the modeling and control of combustion processes: a review, Progress in Energy and Combustion Science, 29(6): 515-566. DOI: https://doi.org/10.1016/S0360-1285(03)00058-3
  12. Kanat, H. (2019). Yenilenebilir Enerji Kaynaklarından Güneş Enerjisi Yatırımlarını Etkileyen Faktörler: Konya Güneş Enerjisi Yatırımları Analizi. Selçuk Üniversitesi.
  13. Karataş C., Sozen A. & Dulek E. (2009). Modelling of residual stresses in the shot peened material C-1020 by artificial neural network, Expert Systems with Applications, 36(2): 3514-3521. DOI: https://doi.org/10.1016/j.eswa.2008.02.012
  14. Kaya, D. (2020). Güneş ışınım şiddetinin akıllı hibrit yaklaşımlar ile tahmini. http://acikkaynak.bilecik.edu.tr/xmlui/handle/11552/1767
  15. Mengeş, H. O., & Sonmete, M. H. (2005). Konya’da Aylık Ortalama Toplam Güneş Işınımının Tahmini İçin Mevcut Bazı Modellerin Karşılaştırılması. Tarım Makinaları Bilimi Dergisi, 1(3), 237–244.
  16. Neseli S., Tasdemir S. and Yaldız S. (2009) .Estimation of surface roughness on turning with Artificıal Neural Network, Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University, XXII, 3, 65- 75.
  17. Önal, E., & Yarbay, R. Z. (2010). Türkiye’de Yenilenebilir Enerji Kaynakları Potansiyeli ve Geleceği. In İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Vol. 9, Issue 18.
  18. Tektaş, M. (2010). Weather forecasting using ANFIS and ARIMA models. Environmental Research, Engineering and Management, 51(1), 5–10. DOI: https://doi.org/10.5755/j01.erem.51.1.58
  19. Topal, M., & Topal, E. I. A. (2008). Bioyokütle Enerjisi ve Türkiye. May.
  20. Topaloğlu, V. (2007). Yapay Sinir Ağları ile Dalga Yüksekliği Tahmini. İstanbul Teknik Üniversitesi.
  21. Yılmaz, M. (2012). Türkiye’nin Enerji Potansiyeli ve Yenilenebilir Enerji Kaynaklarının Elektrik Enerjisi Üretimi Açısından Önemi. Ankara Üniversitesi Çevrebilimleri Dergisi, 4(2), 33–54. https://doi.org/10.1501/csaum_0000000064 DOI: https://doi.org/10.1501/Csaum_0000000064
  22. Url-1<https://www.kobi-efor.com.tr/dosya/endustri-tarim-ve-turizm-kentiyesil-bursa-ileri-teknolojide-iddiasiyla-h12867.html>Erişim tarihi 15.4.2019