Abstract

Bu çalışma, 2020–2024 yılları arasında İzmir’in Menemen bölgesinde toplanan meteorolojik veriler kullanılarak güneş radyasyonunun tahmin edilmesini amaçlamaktadır. Girdi değişkenleri arasında sıcaklık, basınç, nem, rüzgâr yönü ve hızı ile güneşin doğuş ve batış saatleri yer almaktadır. Makine öğrenmesi (ML) tabanlı iki yaklaşım olan Çok Değişkenli Doğrusal Regresyon (MLR) ve Yinelemeli Sinir Ağları (RNN) kullanılmıştır. Modellerin başarımı, Ortalama Kare Hata (MSE), Ortalama Mutlak Hata (MAE) ve Belirleme Katsayısı (R²) gibi ölçütlerle değerlendirilmiştir. MLR modelleri makul doğruluk sağlasa da Zaman Serisi Tahmini (TSF) açısından RNN daha düşük hata oranları ve daha yüksek R² değerleriyle üstün performans göstermiştir. Meteorolojik Veriler (MD) üzerinden yapılan bu analiz, Sürdürülebilir Enerji Yönetimi (SEM) kapsamında makine öğrenmesi tekniklerinin potansiyelini ortaya koymakta ve güneş radyasyonu tahmininde gelecekteki çalışmalara sağlam bir temel sunmaktadır.

References

[1] T. Demirgül, V. Demir, and M. F. Sevimli, “Farklı makine öğrenmesi yaklaşımları ile Türkiye ’ nin solar radyasyon tahmini Türkiye ’ s solar radiation forecasting with different machine learning approaches,” vol. 9, no. 1, pp. 106–122, 2024.

[2] S. UĞUZ, O. ORAL, and N. ÇAĞLAYAN, “Estimation of Energy to be Obtained from PV Power Plants Using Machine Learning Methods,” Uluslararası Muhendis. Arastirma ve Gelistirme Derg., pp. 769–779, 2019, doi: 10.29137/umagd.514933.

[3] C. Voyant et al., “Machine learning methods for solar radiation forecasting: A review,” Renew. Energy, vol. 105, pp. 569–582, 2017, doi: 10.1016/j.renene.2016.12.095.

[4] Ş. EBREN KARA and R. ŞAMLI, “Yazılım Projelerinin Maliyet Tahmini için WEKA’da Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Analizi,” Eur. J. Sci. Technol., no. 23, pp. 415–426, 2021, doi: 10.31590/ejosat.877296.

[5] Y. Berus and Y. Benteşen Yakut, “Derin Öğrenme (1D-CNN, RNN, LSTM, BiLSTM) ile Enerji Tüketim Tahmini: Diyarbakır AVM Örneği,” DÜMF Mühendislik Derg., vol. 2, pp. 311–322, 2024, doi: 10.24012/dumf.1415055.

[6] Z. Pang, F. Niu, and Z. O’Neill, “Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons,” Renew. Energy, vol. 156, pp. 279–289, 2020, doi: 10.1016/j.renene.2020.04.042.

[7] A. ALAN and M. KARABATAK, “Veri Seti - Sınıflandırma İlişkisinde Performansa Etki Eden Faktörlerin Değerlendirilmesi,” Fırat Üniversitesi Mühendislik Bilim. Derg., vol. 32, no. 2, pp. 531–540, 2020, doi: 10.35234/fumbd.738007.

[8] Ö. Ali KARAMAN and Y. Bektaş, “Makine Öğrenmesi ve Optimizasyon Yöntemleri ile Uzun Dönem Elektrik Enerjisi Tahmini: Türkiye Örneği,” vol. 5, no. 2, pp. 285–292, 2023.

[9] E. UĞURLU, “Türkiye Enerji Piyasasının Çok Değişkenli Doğrusal Regresyon Analizi ile incelenmesi,” 2011.

[10] Y. Ve and B. Đ. R. Uygulama, “REGRESYON ANALĐZĐNDE DOĞRUSALA DÖNÜŞTÜRME YÖNTEMLERĐ VE BĐR UYGULAMA Selahattin YAVUZ (*),” Test, 2006.

[11] I. Siraj and Á. Drégelyi-Kiss, “Empirical comparison of FDM additive manufacturing process parameters by application grey relational analysis and multi-linear regression,” Int. J. Adv. Manuf. Technol., pp. 2861–2876, 2025, doi: 10.1007/s00170-025-15688-4.

[12] S. K. Aggarwal and L. M. Saini, “Solar energy prediction using linear and non-linear regularization models: A study on AMS (American Meteorological Society) 2013-14 Solar Energy Prediction Contest,” Energy, vol. 78, pp. 247–256, 2014, doi: 10.1016/j.energy.2014.10.012.

[13] Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.

[14] F. ÖZCAN, “DERİN YAPAY SİNİR AĞLARI İLE ELEKTRİK TÜKETİM TAHMİNİ,” 2022.

[15] F. N. AYDIN and K. A. KABASAKAL, “Regresyon Ağaçları ve Çoklu Doğrusal Regresyon Analizlerinin PISA 2022 Matematik Okuryazarlığı Becerisini Yordama Performanslarının İncelenmesi,” vol. 3, no. 1, pp. 1069–1091, 2024.