Yerel Meteorolojik Gözlemler Kullanılarak Günlük Küresel Güneş Radyasyonunun Makine Öğrenmesine Dayalı Tahmini

Creative Commons License

Barutcu I. C.

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, cilt.14, sa.1, ss.318-327, 2026 (TRDizin)

Özet

Bu çalışmada, Hakkâri ili meteoroloji il müdürlüğü bünyesinde bulunan istasyondan 2015–2022 yılları arasında günlük olarak ölçülen bağıl nem (RH), rüzgâr hızı (WS), sıcaklık (TE), atmosfer basıncı (AP), güneşlenme süresi (SD) gibi meteorolojik göstergeler kullanılarak, günlük toplam küresel güneş radyasyonunun (GHI) makine öğrenmesi yöntemleri ile tahmin edilmesi amaçlanmıştır. Güneş radyasyonu tahmini, özellikle güneş enerjisi potansiyelinin belirlenmesi, fotovoltaik (PV) sistem performans analizleri ve enerji planlaması açısından büyük bir öneme sahiptir. Bu kapsamda, Extreme Gradient Boosting (XGBoost), rastgele orman (RF), destek vektör regresyonu (SVR), doğrusal regresyon (LR) algoritmaları uygulanmış; modellerin tahmin başarıları coefficient of determination (R²), mean absolute error (MAE), root mean square error (RMSE) ve correlation coefficient (R) performans kriterleri ile karşılaştırılmıştır. Sonuçlar, SD, TE ve AP’nin günlük güneş radyasyonunun en etkili belirleyicileri olduğunu göstermiştir. Ayrıca GHI tahmin çalışmasında kullanılan dört farklı algoritma arasından SVR modelinin R²=0.703, RMSE=1.381, MAE=0.983 ve R=0.838 ile diğer modellere kıyasla daha üstün performans sergilediği belirlenmiştir. LR modelinde R²=0.685, RMSE=1.422, MAE=1.082 ve R=0.827 olarak hesaplanmıştır. RF ve XGBoost algoritmaları ile sırasıyla hesaplanan R²=0.654, RMSE=1.491, MAE=1.061, R=0.808 ve R²=0.646, RMSE=1.509, MAE=1.094, R=0.803 değerleri birbirine yakın performans göstermiştir. Elde edilen bulgular, Hakkâri’nin yüksek rakımlı ve değişken iklim koşullarına rağmen yerel meteorolojik verilerin kullanılmasıyla güvenilir ve düşük maliyetli güneş radyasyonu tahmin modellerinin geliştirilebileceğini ortaya koymakta ve yenilenebilir enerji uygulamalarına önemli katkılar sunmaktadır.
This study aims to predict the daily total global solar irradiance (GHI) utilizing machine learning methods using meteorological indicators such as relative humidity (RH), wind speed (WS), temperature (TE), atmospheric pressure (AP), sunshine duration (SD) measured daily between 2015 and 2022 at the station within the Hakkari Provincial Directorate of Meteorology. Solar irradiance prediction is of great importance, especially in terms of determination of the solar energy potential, photovoltaic (PV) system performance analysis, and energy planning. In this context, Extreme Gradient Boosting (XGBoost), random forest (RF), support vector regression (SVR), linear regression (LR) algorithms were applied, and the prediction successes of the models were compared using coefficient of determination (R²), mean absolute error (MAE), root mean square error (RMSE), and correlation coefficient (R) performance criteria. The findings denoted that SD, TE and AP were the most effective determinants of daily solar radiation. Furthermore, among the four different algorithms used in the GHI estimation study, the SVR model was found to exhibit superior performance compared to the other models, with R²=0.703, RMSE=1.381, MAE=0.983, and R=0.838. In the LR model, R² was calculated as 0.685, RMSE as 1.422, MAE as 1.082, and R as 0.827. The RF and XGBoost algorithms, respectively, showed similar performance with R²=0.654, RMSE=1.491, MAE=1.061, R=0.808 and R²=0.646, RMSE=1.509, MAE=1.094, R=0.803. The findings demonstrate that, despite Hakkari's high altitude and variable climate conditions, reliable and cost-effective solar radiation prediction models can be developed using local meteorological data, making significant contributions to renewable energy applications.