Hava kirletici, coğrafi ve meteorolojik faktörlerin güneş ışınım şiddeti tahmin performansına etkilerinin incelenmesi
Küçük Resim Yok
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yapılan çalışmada, hava kirleticilerden partikül madde 10 (PM10) ve kükürt dioksit (SO2) parametreleri, coğrafi faktörlerden enlem (Enl), boylam (Byl), rakım (Rkm), yılın günü (nGun), ay, günlük maksimum güneşlenme süresi (N), atmosfer öncesi güneş ışınımı (Ho) ve deklinasyon açısının sinüsü (SinD) parametreleri ve meteorolojik verilerden ise atmosfer havasının ortalama nem (Rhum), minimum sıcaklık (Tmin), ortalama sıcaklık (Tavg), maksimum sıcaklık (Tmax) parametreleri ile ortalama toprak sıcaklığı (Ts), ortalama rüzgâr hızı (WS), günlük güneşlenme süresi (n) ve günlük güneşlenme süresinin maksimum güneşlenme süresine oranı (nN) parametrelerinin güneş ışınım şiddetinin (GSR) yapay sinir ağı (YSA) tahmin performansına etkileri incelenmiştir. Çalışmada kullanılan veriler Çevre ve Şehircilik Bakanlığı kurumlarından Çevre Referans Laboratuvarı Merkezi ve Orman ve Su İşleri Bakanlığı kurumlarından Meteoroloji Genel Müdürlüğü'nden alınmıştır. Bu parametrelerin, GSR tahmini üzerine etkilerini incelemek amacıyla farklı YSA modelleri geliştirilmiştir. Bu modeller ile elde edilen sonuçları değerlendirmek için korelasyon katsayısı (R), ortalama mutlak yüzde hata (MAPE) ve hata kareleri ortalamasının karekökü (RMSE) performans göstergeleri kullanılmıştır. Günlük veriler üzerinde hava kirleticiler ile coğrafi-meteorolojik parametrelerin GSR tahmin performansına etkileri ayrı ayrı incelenmiştir. Bir konum için PM10 ve SO2 ortalaması yükseldiğinde hava kirletici ile GSR arasındaki korelasyon ters yönde artmaktadır. Ortalama ve GSR korelasyonu yüksek olan bölgelerin YSA tahmin performansları, düşük olan bölgelere göre artış göstermiştir. Başka bir ifade ile PM10 ve SO2 ortalama değerlerinin yüksek olduğu bölgelerde güneş enerjisinden yararlanma performansının düşme eğiliminde olduğu tespit edilmiştir. Coğrafi ve meteorolojik faktörler açısından en iyi performans gösteren 1-10 ve 16'lı girdi kombinasyonlarına bakıldığında, üçlü kombinasyon ve sonrasında YSA tahmin performansında önemli bir gelişme olmadığı gözlenmiştir. Girdi sayısı arttıkça YSA eğitim veri seti performans göstergelerinde küçük iyileşmeler olsa da, test veri seti kombinasyon sayısı üçü geçtikten sonra performans göstergelerinde düşüş gözlenmiştir. Test veri setindeki bu düşüş, özellikle MAPE performans göstergesinde daha belirgin olarak ortaya çıkmıştır. Yapılan çalışmada literatürdeki çalışmalardan farklı olarak, bir konumun aylık GSR tahmininde, üç çevre istasyonunun GSR verilerinin de modelde girdi olarak kullanılmasının tahmin performansını artırdığı gösterilmiştir. Günlük GSR tahmininde ise uzayan tahmin süresi modelin hesaplama performansını düşürdüğü için üç çevre istasyonun GSR verisini modele ayrı ayrı eklemek yerine bu verilerin ortalama değerleri hesaplanarak tek girdi olarak modele eklenmiş ve yine eklenmediği modellere kıyasla daha iyi sonuçlar verdiği görülmüştür.
In this study, the effects of the air pollutants (PM10 and SO2), geographical parameters (latitude, longitude, altitude, day of the year, month, maximum daily sunshine duration, extraterrestrial radiation and sine of declination angle) and meteorological factors (average humidity, minimum temperature, average temperature, maximum temperature, average soil temperature, average wind speed, daily sunshine duration and the ratio of daily sunshine duration to maximum sunshine duration) on the prediction performance of the global solar radiation (GSR) with artificial neural network (ANN) is investigated. The data used in the study are taken from Environment and Urban Ministry/Environmental Reference Laboratory Center and Ministry of Forestry and Water Management/General Directorate of Meteorology. Different ANN models are developed to analyze the effects of these parameters on the GSR estimation. Correlation coefficient (R), mean absolute percentage error (MAPE) and root mean square error (RMSE) performance indicators are used to evaluate the results obtained by these models. The effects of air pollutants and geo-meteorological parameters on the estimation of the daily GSR were investigated separately. When the average of PM10 and SO2 for a location increases, the correlation between air pollutant and GSR increases in the negative direction. As the mean and GSR correlation values increase for a region, ANN prediction performance also increased. In other words, this result showed that the solar energy utilization performance tends to decrease in regions where the average values of PM10 and SO2 are high. According to the different input combinations (1-10, 16) that give the best performance for geo-meteorological parameters, the results showed no significant improvement in the ANN prediction performance after triple combination. Although increasing the number of inputs produces a slight improvement in the performance indicators of the ANN training data set, there is a decrease in the performance indicators after the triple combination of test data set. This decrease in the test data set has become more evident especially for the MAPE performance indicator. Different from the literature, it has been shown that the use of GSR data of three nearby stations as inputs to the model improves the monthly GSR prediction performance of a location. In the daily GSR estimation, since the increasing calculation time reduces the calculation performance of the model, instead of adding the GSR data of the three nearby stations separately, the mean values of these data are calculated and added to the model as a single input, which again produced better results than the models not added.
In this study, the effects of the air pollutants (PM10 and SO2), geographical parameters (latitude, longitude, altitude, day of the year, month, maximum daily sunshine duration, extraterrestrial radiation and sine of declination angle) and meteorological factors (average humidity, minimum temperature, average temperature, maximum temperature, average soil temperature, average wind speed, daily sunshine duration and the ratio of daily sunshine duration to maximum sunshine duration) on the prediction performance of the global solar radiation (GSR) with artificial neural network (ANN) is investigated. The data used in the study are taken from Environment and Urban Ministry/Environmental Reference Laboratory Center and Ministry of Forestry and Water Management/General Directorate of Meteorology. Different ANN models are developed to analyze the effects of these parameters on the GSR estimation. Correlation coefficient (R), mean absolute percentage error (MAPE) and root mean square error (RMSE) performance indicators are used to evaluate the results obtained by these models. The effects of air pollutants and geo-meteorological parameters on the estimation of the daily GSR were investigated separately. When the average of PM10 and SO2 for a location increases, the correlation between air pollutant and GSR increases in the negative direction. As the mean and GSR correlation values increase for a region, ANN prediction performance also increased. In other words, this result showed that the solar energy utilization performance tends to decrease in regions where the average values of PM10 and SO2 are high. According to the different input combinations (1-10, 16) that give the best performance for geo-meteorological parameters, the results showed no significant improvement in the ANN prediction performance after triple combination. Although increasing the number of inputs produces a slight improvement in the performance indicators of the ANN training data set, there is a decrease in the performance indicators after the triple combination of test data set. This decrease in the test data set has become more evident especially for the MAPE performance indicator. Different from the literature, it has been shown that the use of GSR data of three nearby stations as inputs to the model improves the monthly GSR prediction performance of a location. In the daily GSR estimation, since the increasing calculation time reduces the calculation performance of the model, instead of adding the GSR data of the three nearby stations separately, the mean values of these data are calculated and added to the model as a single input, which again produced better results than the models not added.
Açıklama
Fen Bilimleri Enstitüsü, Makine Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering ; Enerji
