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
- Tez No: 967677
- Danışmanlar: DR. ÖĞR. ÜYESİ SELAHATTİN BARIŞ ÇELEBİ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Güneş ışınımı tahmini, ayrık dalgacık dönüşümü, hibrit CNN-LSTM, SHAP, özellik seçimi, Solar irradiance forecasting, wavelet transform, hybrid CNN-LSTM, SHAP, feature selection
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yenilenebilir Enerji Sistemleri Bilim Dalı
- Sayfa Sayısı: 80
Özet
Bu tez çalışması, güneş ışınımı tahmininde yüksek doğruluk ve açıklanabilirlik sağlamak amacıyla ayrık dalgacık tabanlı hibrit bir Evrişimsel Sinir Ağı (CNN)- Uzun Kısa Süreli Bellek Ağı) modeli ile SHAP destekli analiz ve özellik seçimini bir araya getiren özgün bir çerçeve önermektedir. Çalışmada, Suudi Arabistan'ın Riyad şehrine ait 15 dakikalık aralıklarla toplanan üç yıllık meteorolojik veriler kullanıldı. Manuel özellik mühendisliği ile veri seti zenginleştirildi, ardından Ayrık Dalgacık Dönüşümü (DWT) uygulanarak gürültü azaltımı ve çok ölçekli bileşen çıkarımı gerçekleştirildi. CNN katmanları uzamsal desenleri, LSTM katmanları ise zamansal bağımlılıkları modelledi. Optuna tabanlı Baysesçi optimizasyon ile hiperparametreler belirlendi. Shapley Katkı Açıklamaları (SHAP) analizi ile ortalama katkısı en yüksek %20'lik dilimdeki değişkenler seçildi ve model yeniden eğitilerek ablasyon çalışmaları ile bileşen katkıları doğrulandı. 5 katlı zaman serisi bölme çapraz doğrulama yöntemi ile yapılan değerlendirmelerde modelin, her bir fold sonucunda düşük Kök Ortalama Kare Hatası (RMSE) ve yüksek Belirleme Katsayısı (R²) değerleri elde edebildiği görüldü. Özellikle zenith açısı ve bulut opaklığı gibi değişkenlerin tahminde baskın rol oynadığı belirlendi. Ayrıca modelin sağlamlığı belirsizlik tahmini ile değerlendirildi. SHAP yardımıyla seçilen özellikler Temel Bileşenler Analizi (PCA) ile de doğrulandı. Elde edilen sonuçlar, önerilen yöntemin güneş enerjisi potansiyelinin özellikle kısa vadeli değerlendirilmesinde, şebeke entegrasyonu ve enerji yönetiminde güvenilir bir araç olduğunu göstermektedir. Önerilen yaklaşım benzer iklim koşullarına sahip bölgelerde uygulanabilme potansiyeli taşımakta olup, esnek bir tahmin sistemi sunarak literatürdeki açıklanabilir Derin Öğrenme (DL) tabanlı güneş ışınımı tahmini çalışmalarına önemli bir katkı sağlama potansiyeline sahiptir.
Özet (Çeviri)
This thesis proposes a novel framework that combines a wavelet-based hybrid CNN-LSTM model with SHAP-supported feature selection and analysis to achieve high accuracy and interpretability in solar irradiance forecasting. The study used three years of meteorological data from Riyadh, Saudi Arabia, collected at 15-minute intervals. Manual feature engineering was applied to enrich the dataset. Then, Discrete Wavelet Transform (DWT, db4, level 2) was used for noise reduction and multi-scale component extraction. CNN layers modeled spatial patterns, while LSTM layers captured temporal dependencies. Hyperparameters were optimized using Optuna-based Bayesian optimization. SHAP analysis was employed to select the top 20% of variables with the highest average contribution, and the model was retrained. Ablation studies were conducted to validate component contributions. The evaluation, performed using 5-fold TimeSeriesSplit cross-validation, showed low RMSE and high R² scores. Variables such as zenith angle and cloud opacity played a dominant role in predictions. Monte Carlo Dropout was applied for uncertainty estimation, and PCA-based dimensionality reduction was used to improve generalization capability. The results show that the proposed method is a reliable tool for assessing solar energy potential, grid integration, and energy management. This approach offers a flexible prediction system applicable to regions with similar climate conditions and provides a valuable contribution to explainable deep learning-based solar irradiance forecasting studies in the literature.
Benzer Tezler
- Dalgacık dönüşümü ve destek vektör makineleri ile tahmin: BIST üzerine bir uygulama
Forecasting with wavelet transform and support vector machines: An application on BIST
MUHAMMET YASİR ALTINTOP
- Dalgacık dönüşümü ve yapay sinir ağları yöntemi ile yağış - akış tahmini
Rainfall-runoff forecasting using wavelet transform and artificial neural networks method
MELİKE BARAK
Yüksek Lisans
Türkçe
2012
Teknik EğitimSüleyman Demirel ÜniversitesiYapı Eğitimi Ana Bilim Dalı
DOÇ. DR. ÖZLEM TERZİ
- Epilepsy seizure detection in eeg signals using wavelet transforms and support vector machines
Dalgacık dönüşümü ve destek vektör makineleri kullanarak epilepsi nöbeti tanıma
AWIN MAHMOOD SALEEM
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÇINAR
- Dalgacık dönüşümü ve istatistiksel teknikler kullanılarak ileri MR görüntülerinden glial beyin tümörlerinin bölütlenmesi ve evrelenmesi
Segmentation and grading of glial brain tumors with advanced MR imaging using wavelet transform and statistical techniques
MİRAY ALTINKAYNAK
Yüksek Lisans
Türkçe
2013
BiyomühendislikErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL GÜVEN
- Dalgacık dönüşümü ve yapay sinir ağı kullanarak doku tanıma
Pattern recognition by using wavelet transform and artificial neural network
A.SAMET HAŞİLOĞLU
Doktora
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İHSAN GÖK