Atıf Sayısı
25
Görüntüleme
11
İndirme
3
Global güneş ışınımı tahmini, güneş enerjisi sistemlerinin etkin yönetimi ve işletilmesinin yanı sıra gelecekteki enerji üretimi hakkında güvenilir bilgi sağlamak için giderek daha fazla önem kazanmaktadır. Bu çalışmada, günlük güneş ışınım tahmin problemini etkin bir model oluşturmak için Uzun Kısa Süreli Bellek (LSTM) ağı önerilmiştir. Önerilen yöntemin etkinliği Karar Ağaçları Regresyon, Rastgele Orman Regresyon, Gradyan Güçlendirme ve K-En Yakın Komşu gibi en etkili makine öğrenme algoritmalar ile karşılaştırılmıştır. LSTM modelinin yaklaşımının etkinliğini doğrulamak için Çorum - Türkiye’de Temmuz-1983 ve Aralık-2018 tarihleri arasında global güneş ışınımı sıralı zaman serileri verileri kullanılmıştır. Simülasyon sonuçları, LSTM yönteminin diğer makine öğrenme modellerinden daha iyi performansa sahip olduğunu göstermektedir.
Global solar radiation forecast is becoming increasingly important to provide reliable information about the efficient management and operation of solar energy systems as well as future energy production. In this study, a long-term short-term memory (LSTM) network was recommended to create an effective model for the problem of daily solar radiation forecast. The effectiveness of the recommended method is compared with the most effective machine learning algorithms such as Decision Tree Regression, Rastgage Forest Regression, Gradyan Strengthening and K-The Nearest Neighbor. To verify the effectiveness of the approach of the LSTM model, the data of the global solar radiation series were used between July-1983 and December-2018 in Turkey. The simulation results show that the LSTM method has better performance than other machine learning models.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
