Geri Dön

Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus

Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini

PDF İndir

  1. Tez No: 1017673
  2. Yazar: MARYA ALHAJMOHAMMADOTHMAN
  3. Danışmanlar: DOÇ. DR. CEYDA AKSOY TIRMIKÇI, DR. ÖĞR. ÜYESİ DENİZ BALTA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Küresel yatay ışınım (GHI) tahmininin doğru bir şekilde yapılması, etkili şebeke entegrasyonunu desteklemek amacıyla güneş enerjisi tahmininde gereken hassasiyetin sağlanması açısından büyük önem taşımaktadır. Bu süreç, güneş enerjisi sistemlerinin optimal ve etkin biçimde tasarlanması için de kritik bir rol üstlenmektedir. Meteorolojik değişkenlik, tahmin ufku uzunluğu ve performans değerlendirme metrikleri gibi çeşitli kritik faktörler, GHI'nin kullanılabilirliğini önemli ölçüde etkilemekte ve bu nedenle dikkatle göz önünde bulundurulması gerekmektedir. GHI, belirli bir yüzey alanına düşen toplam güneş radyasyonunu ifade etmektedir. Güç sistemi tasarımcıları ve şebeke operatörleri, güneş enerjisi sistemlerini verimli biçimde yönetmek ve işletmek amacıyla güvenilir GHI tahminlerine büyük ölçüde bağımlıdır. Bunun yanı sıra, GHI tahmini; doğrudan/ışınımsal yatay ışınım (Hb), yayınık yatay ışınım (Hd) ve eğik yüzey ışınımı (Ht) hesaplamalarını iyileştirmektedir. Zira GHI tahmini, doğrudan ve yayınık bileşenlere doğru bir ayrıştırma yapılmasını mümkün kılmaktadır. Bu ayrıştırma, eğik yüzeylerdeki güneş ışınımının hassas modellenmesini desteklemekte ve güneş enerjisi sistemleri simülasyonu ile tahmininin genel doğruluğunu artırmaktadır. Ayrıca, GHI projeksiyonları gelecekteki enerji mevzuatını ve yatırım kararlarını önemli ölçüde etkilemektedir. Bununla birlikte, güneş ışınımının durağan olmayan ve kesintili yapısı nedeniyle GHI tahmini özünde güçlüğünü korumaktadır. Çok sayıda makine öğrenmesi (MÖ) ve derin öğrenme (DÖ) modeli GHI tahmin kapasitesini önemli ölçüde geliştirmiş olsa da mevcut yaklaşımların büyük çoğunluğu, güneş ışınımı verilerinin zamansal ve uzamsal özelliklerini yalnızca sınırlı bir düzeyde yakalayabilmektedir. Bu tezin temel amacı, 1985–2025 dönemini kapsayan ve iki çalışma bölgesini — Sakarya (Serdivan), Türkiye ve Şam (El-Meydan), Suriye — ele alan günlük ve haftalık GHI tahmini için derin öğrenme modellerinin tahmin doğruluğunu artırmaktır. Bu hedef; ileri düzey veri ön işleme teknikleri, zaman serisi çapraz doğrulama ve büyük veri analitiğinin uygulanması yoluyla gerçekleştirilmektedir. Tez, ayrıca tekil ile hibrit derin öğrenme mimarilerinin karşılaştırmalı performans analizini sunmaktadır. Önerilen metodoloji; Apache Spark çerçevesi, gradyan artırma algoritmaları kullanan SHAP destekli öznitelik seçimi ve Hyperband tabanlı hiperparametre optimizasyonu üzerine inşa edilmiştir. Gerçek dünya meteorolojik verileri, Meteoblue platformundan CSV formatında toplanmıştır. Hesaplama ortamı ise Google Colab, Apache Kafka ve Apache Spark'tan oluşmaktadır. İleri düzey veri ön işleme, her bir özniteliğin özelliklerine ilişkin kapsamlı bir anlayış kazanılmasını sağlamak amacıyla Apache Spark kullanılarak keşifsel veri analizi biçiminde gerçekleştirilmiştir. Histogramlar RDD dönüşümleri aracılığıyla oluşturulmuş; zaman serisi alt grafikleri ise pandas kütüphanesi kullanılarak Spark DataFrame'lerinin pandas formatına dönüştürülmesiyle üretilmiştir. Pearson korelasyon analizi, 1985–2025 yıllarını kapsayan veri setleri için 0,90 eşik değeri, 2022–2025 yıllarını kapsayan veri setleri için ise 0,85 eşik değeri kullanılarak uygulanmıştır. Eksik değerler doğrusal enterpolasyon yöntemiyle giderilirken aykırı değerler kutu grafiği görselleştirmesiyle tespit edilmiş ve akabinde Çeyrekler Arası Aralık (IQR) kırpma tekniğiyle giderilmiştir. Öznitelik mühendisliği prosedürü, temel verilerin daha etkin biçimde karakterize edilmesi amacıyla dört ek özniteliğin oluşturulmasını kapsamaktadır: günün saati özniteliğinin sinüs ve kosinüs dönüşümleri ile rüzgar yönü özniteliğinin sinüs ve kosinüs dönüşümleri. Güneş ışınımı tahmininde yaygın olarak benimsenen bir teknik olan Min-Max normalleştirmesi, tüm özniteliklerin tutarlı bir aralıkta yer almasını sağlamak ve böylece daha doğru model çıktıları elde etmek amacıyla uygulanmıştır. Zaman serisi çapraz doğrulama, eğitilen modellerde aşırı öğrenme ve yetersiz öğrenme riskini azaltmak amacıyla kullanılmış; hem öznitelik seçimi hem de Spark MÖ model eğitimi sürecinde uygulanmıştır. 40 yıllık veri setleri için XGBoost modeli, her iki bölgede de MÖ kıyaslama modelleri arasında en yüksek performansı sergilemiş; Sakarya veri seti için R² = 0,81, Şam veri seti için ise R² = 0,91 değerlerine ulaşmıştır. 3 yıllık veri setleri için ise Çok Değişkenli Polinom Regresyon modeli her iki bölgede de en güçlü sonuçları vermiş; Sakarya ve Şam veri setleri için sırasıyla R² = 0,86 ve R² = 0,91 değerleri elde edilmiştir. Derin öğrenme açısından değerlendirildiğinde, bu tezde incelenen mimariler arasında LSTM, CNN, GRU, CNN-GRU, LSTM-SCNN, SGRU-SCNN ve CNN-LSTM yer almaktadır. Derin öğrenme modelleri, değerlendirilen tüm senaryolarda makine öğrenmesi muadillerini tutarlı biçimde geride bırakmıştır. 40 yıllık Sakarya veri seti için günlük tahmin ufkunda LSTM-SCNN hibrit modeli, tüm kıyaslama modelleri arasında üstün bir performans sergilemiş ve R² = 0,95 değerine ulaşmıştır. Aynı veri seti için haftalık tahmin ufkunda ise CNN-SLSTM hibrit modeli en yüksek doğruluğu elde etmiş ve yine R² = 0,95 değerini kaydetmiştir. Şam veri seti için SGRU-SCNN hibrit modeli, hem günlük hem de haftalık tahmin ufuklarında tüm kıyaslama modellerini geride bırakmış ve her iki durumda da R² = 0,98 değerine ulaşmıştır. Apache Kafka, yayınla-abone ol modeline dayalı olarak çalışan ve bu sayede hem hata toleranslı hem de yüksek ölçeklenebilir bir yapıya sahip olan, yaygın biçimde kullanılan bir dağıtık veri akışı platformudur. Bir Kafka kümesi, konu (topic) olarak adlandırılan kategoriler halinde düzenlenmiş kayıt akışlarını depolamakta olup her konu, sıralı bir mesaj günlüğü niteliği taşımakta ve birden fazla aboneyi desteklemektedir. Konular bölümlendirilmiş yapıdadır; yani birbirinden ayrı Kafka broker kümelerinde dağıtılmış ayrı günlük dosyalarına bölünmektedir. Bölümlerin birden fazla broker veya sunucu arasında çoğaltılması sayesinde yüksek veri erişilebilirliği garanti altına alınmaktadır. Bununla birlikte, Apache Kafka'nın işletime alınabilmesi için öncelikle Apache ZooKeeper'ın başlatılması gerektiği belirtilmelidir. Apache ZooKeeper, dağıtık uygulamaları yöneten ve izleyen merkezi bir koordinasyon hizmetidir; bölüm konumlarını ve Kafka broker durumlarını takip ederek dağıtık sunucu mimarilerinde kaynak yönetimini koordine etmektedir. Bu çalışmada Apache Kafka, 2022–2025 dönemi için veri akışı kaynağı olarak kullanılırken Apache Spark; veri ön işleme, öznitelik mühendisliği, model eğitimi ve değerlendirme süreçleri için birincil büyük veri analitiği platformu işlevini üstlenmiştir. Derin öğrenme modellerinin yapılandırılmış akış yoluyla geliştirilmesi ve değerlendirilmesini kolaylaştırmak amacıyla bir Kafka–Spark ardışık düzeni oluşturulmuştur. Bir gün ilerisine yönelik tahminlerde LSTM-SCNN hibrit modeli, Sakarya veri seti için R² = 0,97 ile en yüksek doğruluğa ulaşırken SGRU-SCNN hibrit modeli, Şam veri seti için R² = 0,98 ile tüm kıyaslama modellerini geride bırakmıştır. Bir hafta ilerisine yönelik tahminlerde ise SGRU-SCNN modeli Sakarya veri seti için R² = 0,96 değerine ulaşmış; LSTM-SCNN modeli ise Şam veri seti için R² = 0,99 ile en yüksek doğruluğu elde etmiştir. Sakarya veri setleri için ampirik doğrulama, Sakarya Üniversitesi kampüsündeki M6 binasına kurulu fotovoltaik (FV) sistemi esas alınarak MATLAB ortamında ve en kötü durum senaryosu koşullarında gerçekleştirilmiştir. LSTM-SCNN mimarisi, günlük GHI tahmini konusunda güçlü bir yetkinlik sergilemiş; 40 yıllık ve 3 yıllık veri setlerinde güneye bakan panel için elektrik üretim hataları sırasıyla %2,80 ve %2,68 olarak gerçekleşmiştir. Yatay montajlı panel için ise karşılık gelen hatalar %0,70 ve %0,77 olmuştur. Haftalık GHI tahmini açısından CNN-SLSTM modeli, güneye bakan panel için %2,05 mutlak yüzde hata değerine ulaşırken SGRU-SCNN modeli %4,89 hata kaydetmiştir. Yatay panel için CNN-SLSTM modeli, SGRU-SCNN modelinin %2,44 hatasına kıyasla yalnızca %0,05 ile belirgin biçimde daha düşük bir hata oranı elde etmiştir. Bu sonuçlar doğrultusunda CNN-SLSTM modeli, Serdivan bölgesinde haftalık GHI tahmini için önerilmektedir; zira bu modelin enerji üretim tahminleri, kurulu FV sisteminin ölçülen değerleriyle daha yakın bir uyum sergilemektedir. Bu tez, büyük veri ekosistemi içinde faaliyet gösteren hibrit derin öğrenme modellerinin, değerlendirilen senaryoların büyük çoğunluğunda doğru GHI tahminleri sunmadaki etkinliğini ortaya koymakta; bu modellerin güneş dijital ikizleri optimizasyonu, güneş enerjisi yönetimi ve şebeke entegrasyonundaki önemli potansiyelini gözler önüne sermektedir. Bunun yanı sıra bu çalışma, yenilenebilir enerji planlaması, şebeke kararlılığı ve fotovoltaik güç dağıtımı açısından anlamlı pratik çıkarımlar barındıran, yorumlanabilir ve ölçeklenebilir bir güneş ışınımı tahmin metodolojisine katkı sunmaktadır.

Özet (Çeviri)

Accurate forecasting of global horizontal irradiance (GHI) is essential for achieving the precision required in solar power forecasting to support effective grid integration. It is critical for designing solar energy systems in an optimal and effective process. Several critical factors — including meteorological variability, forecast horizon length, and performance evaluation metrics — substantially influence GHI availability and must be carefully considered. GHI represents the total solar radiation incident upon a specific surface area. Power system designers and grid operators rely heavily on reliable GHI predictions to efficiently manage and operate solar energy systems. In addition, forecasting GHI improves the calculations of beam/direct horizontal irradiance (Hb), diffuse horizontal irradiance (Hd), and tilted surface irradiance (Ht), as it enables accurate decomposition into direct and diffuse components. This decomposition supports precise modeling of solar irradiance on tilted surfaces, thereby enhancing the overall accuracy of solar energy systems simulation and forecasting. Furthermore, GHI projections significantly influence future energy legislation and investment decisions. Nevertheless, GHI forecasting remains inherently challenging due to the non-stationary and intermittent nature of solar irradiance. Although numerous machine learning (ML) and deep learning (DL) models have substantially advanced GHI forecasting capabilities, most existing approaches capture the temporal and spatial characteristics of solar irradiance data only to a limited extent. The primary objective of this thesis is to enhance the forecasting accuracy of deep learning models for daily and weekly GHI prediction over the period spanning from 1985 to 2025, covering two study regions: Sakarya (Serdivan), Türkiye, and Damascus (El-Meydan), Syria. This is achieved through the application of advanced data preprocessing techniques, time series cross-validation, and big data analytics. The thesis further provides a comparative performance analysis of single versus hybrid deep learning architectures. The proposed methodology is underpinned by the Apache Spark framework, SHAP-guided feature selection employing gradient boosting algorithms, and Hyperband-based hyperparameter optimization. Real-world meteorological data were collected in CSV format from the Meteoblue platform. The computational environment encompasses Google Colab, Apache Kafka, and Apache Spark. Advanced data preprocessing was conducted using Apache Spark for exploratory data analysis, enabling a comprehensive understanding of the characteristics of each feature. Histograms were generated via RDD transformations, and time series subplots were produced by converting Spark DataFrames to pandas format using the pandas library. Pearson correlation analysis was applied using a threshold of 0.90 for datasets spanning 1985–2025, and a threshold of 0.85 for datasets spanning 2022–2025. Missing values were addressed using linear interpolation, while outliers were identified through boxplot visualization and subsequently mitigated using the Interquartile Range (IQR) capping technique. The feature engineering procedure involved the creation of four additional features to more effectively characterize the underlying data: the sine and cosine transformations of the hour-of-day feature, and the sine and cosine transformations of the wind direction feature. Min-Max normalization, a widely adopted technique in solar irradiance forecasting, was applied to ensure that all features fall within a consistent range, thereby promoting more accurate model outcomes. Time series cross-validation was employed to mitigate the risk of overfitting and underfitting in the trained models, and was applied during both feature selection and Spark ML model training. For the 40-year datasets, the XGBoost model achieved the highest performance among the ML benchmark models for both regions, attaining an R² of 0.81 for the Sakarya dataset and 0.91 for the Damascus dataset. For the 3-year datasets, the Multivariate Polynomial Regression model delivered the most accurate results for both regions, with R² values of 0.86 and 0.91 for the Sakarya and Damascus datasets, respectively. With respect to deep learning, the architectures evaluated in this thesis include LSTM, CNN, GRU, CNN-GRU, LSTM-SCNN, SGRU-SCNN, and CNN-LSTM. The deep learning models consistently outperformed their machine learning counterparts across all evaluated scenarios. For the 40-year Sakarya dataset under a daily forecasting horizon, the LSTM-SCNN hybrid model demonstrated superior performance over all benchmark models, achieving an R² of 0.95. Under the weekly forecasting horizon for the same dataset, the CNN-SLSTM hybrid model attained the highest accuracy, also with an R² of 0.95. For the Damascus dataset, the SGRU-SCNN hybrid model outperformed all benchmark models across both daily and weekly horizons, achieving an R² of 0.98 in each case. Apache Kafka is a widely adopted distributed data streaming platform that operates on a publish-subscribe model, rendering it both fault-tolerant and highly scalable. A Kafka cluster stores streams of records organized into categories referred to as topics, where each topic constitutes an ordered log of messages and supports multiple subscribers. Topics are partitioned — that is, divided into separate log files distributed across distinct Kafka broker clusters — and high data availability is guaranteed through the replication of partitions across multiple brokers or servers. It should be noted, however, that Apache ZooKeeper must be initialized prior to operating Apache Kafka. Apache ZooKeeper is a centralized coordination service that manages and monitors distributed applications, tracking partition locations and the status of Kafka brokers, and coordinating resource management within distributed server architectures. In this study, Apache Kafka served as a data streaming source for the 2022–2025 timeframe, while Apache Spark functioned as the primary big data analytics platform for data preprocessing, feature engineering, model training, and evaluation. A Kafka–Spark pipeline was constructed to facilitate the development and assessment of deep learning models via structured streaming. For one-day-ahead forecasting, the LSTM-SCNN hybrid model achieved the highest accuracy for the Sakarya dataset with an R² of 0.97, while the SGRU-SCNN hybrid model outperformed all benchmarks for the Damascus dataset with an R² of 0.98. For one-week-ahead forecasting, the SGRU-SCNN model attained an R² of 0.96 for the Sakarya dataset, while the LSTM-SCNN model achieved the highest accuracy for the Damascus dataset with an R² of 0.99. Empirical validation was conducted for the Sakarya datasets using MATLAB, based on the photovoltaic (PV) system installed on the M6 building of Sakarya University campus, evaluated under a worst-case scenario. The LSTM-SCNN architecture demonstrated strong capability for daily GHI forecasting, yielding electricity output errors of 2.80% and 2.68% for the south-facing panel across the 40-year and 3-year datasets, respectively. For the horizontally mounted panel, the corresponding errors were 0.70% and 0.77%. For weekly GHI forecasting, the CNN-SLSTM model achieved an absolute percentage error of 2.05% for the south-facing panel, compared to 4.89% for the SGRU-SCNN model. For the horizontal panel, the CNN-SLSTM model attained a markedly lower error of 0.05%, versus 2.44% for the SGRU-SCNN model. Accordingly, the CNN-SLSTM model is recommended for weekly GHI forecasting in the Serdivan region, as its energy output estimates demonstrate closer agreement with the measured values recorded by the installed PV system. This thesis demonstrates the effectiveness of hybrid deep learning models operating within a big data ecosystem in delivering accurate GHI forecasts across the majority of evaluated scenarios, underscoring their significant potential in the optimization of solar digital twins, solar power management, and grid integration. Moreover, this study contributes an interpretable and scalable methodology for solar irradiance forecasting, with meaningful practical implications for renewable energy planning, grid stability, and photovoltaic power dispatch.

Benzer Tezler

  1. Tez No

    904671

    Fotovoltaik enerji sistemleri için öngörü modellerinin geliştirilmesi: Veri madenciliği ve derin öğrenme yaklaşımları

    Development of forecasting models for photovoltaic energy systems: Data mining and deep learning approaches

    FATMA DİDEM ALAY

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET TAHİR GÜLLÜOĞLU

    DR. ÖĞR. ÜYESİ NAGEHAN İLHAN

  2. Tez No

    887668

    Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  3. Tez No

    967677

    Dalgacık dönüşümü ve shap destekli özellik seçimi ile CNN-LSTM tabanlı güneş ışınımı tahmini

    CNN-LSTM based solar irradiance estimation using wavelet transform and shap-assisted feature selection

    SONGÜL KAYIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    EnerjiBatman Üniversitesi

    Yenilenebilir Enerji Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELAHATTİN BARIŞ ÇELEBİ

  4. Tez No

    956894

    Farklı makine öğrenme yöntemleri ile güneş panellerinin enerji üretim tahmini

    Estimation of solar panel energy production with different machine learning methods

    ZEKİ ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYozgat Bozok Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET EMİN ŞAHİN

  5. Tez No

    924492

    Güç sistemlerinde optimum enerji yönetimi için akıllı kestirimler

    Smart predictions for optimum energy management in power systems

    SİBEL ÇEVİK BEKTAŞ

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI ALTAŞ

Geri Dön