Termal Enerji Depolamalı (TES) Yoğunlaştırılmış Güneş Enerjisi (CSP) Santralleri için Uydu Verisi Kullanılarak Makine Öğrenimi Tabanlı Direkt Normal Radyans (DNI) Tahmini

Güneşlenme Saatlerini Tahmin Etmenin Önemi

Daha fazla ülke evlerini ve endüstrilerini güneşten sağlamayı hedeflerken büyük bir soru belirir: gökyüzü dakika dakika değiştiğinde elektriği nasıl sürekli sağlayacağız? Aynaları kullanarak güneş ışığını odaklayan ve ısı depolayan yoğunlaştırılmış güneş enerjisi santralleri, karanlıktan sonra bile elektrik verebilir. Ancak bunları verimli ve düşük maliyetli işletmek için operatörlerin güneşin ne kadar güçlü olacağını önceden bilmeleri gerekir. Bu çalışma, ücretsiz hava durumu uydu verileri ve modern makine öğreniminin bu yeni nesil güneş santrallerine uygun, uygulanabilir ve uygun maliyetli güneş tahminleri sunabileceğini gösteriyor.

Uzay Görüntülerini Faydalı Güneş Tahminlerine Dönüştürmek

Araştırmacılar, aynalarla yoğunlaştırılabilen ve doğrusal olarak ilerleyen güneş ışığı kısmı olan direkt normal radyans (DNI) adlı anahtar bir büyüklüğe odaklanıyor. Geleneksel güneş panellerinin aksine bu santraller neredeyse tamamen DNI’ye dayanır; DNI bulutlar, nem ve havadaki partiküllere karşı çok duyarlıdır. Her sahaya maliyetli yer kamerası ve enstrümanlar kurmak yerine ekip, Asya’nın geniş bir bölümünü her on dakikada bir izleyen Himawari-8 jeostasyoner uydusunun verilerini kullanıyor. Bu görüntü akışından ve türetilmiş ürünlerden, farklı güneş ölçümleri, bulut türü, su buharı, sıcaklık ve güneşin açısı gibi 17 değişkeni topluyorlar ve bunları 30 dakikadan 6 saate kadar gelecekteki DNI’yi tahmin etmek üzere eğitilmiş makine öğrenimi modellerine besliyorlar.

Gökten Öğrenen Akıllı Algoritmalar

En iyi tahmin aracını bulmak için yazarlar 24 farklı makine öğrenimi yaklaşımını test ediyor ve doğruluk, hız ve hesaplama maliyetlerini karşılaştırıyor. Çok kısa vadeli tahminlerde, özellikle 30 dakikalık zaman ufkunda, Ensemble Bagging Regression adlı tekniğin ayrıntılı, son değişiklikleri yakalamada üstün olduğu ortaya çıkıyor. Daha uzun öngörülerde ise üssel (exponential) Gaussian süreç regresyonu modeli öne çıkıyor. Bu model yalnızca gelecekteki DNI’yi tahmin etmekle kalmıyor, aynı zamanda planlama için değerli olan yerleşik bir belirsizlik ölçüsü de sunuyor. Altı saate kadar olan tahmin ufuklarında en iyi model güçlü performansını koruyor; hata seviyeleri, yoğunlaştırılmış güneş santrallerindeki termal depolamanın doğal tamponlama yeteneği tarafından absorbe edilebilecek kadar küçük.

Havanın Gizli Sinyallerini Okumak

Doğruluğun ötesinde ekip, modelin tahminlerini hangi etkenlerin yönlendirdiğini anlamak istiyor. Girdilerin her birine tahmine katkı atayan SHAP olarak bilinen açıklanabilir yapay zeka tekniğini kullanıyorlar; bu, hesabı adilce bölüşmeye benzer bir yaklaşım sunuyor. Bu analiz, gökyüzündeki güneş açısı ve bulutla ilgili özelliklerin birçok zaman ufku boyunca en etkili faktörler olduğunu ortaya koyuyor. Bulutsuz gökyüzü durumları için hesaplanan güneş ölçümleri (bulut yokken olası radyasyon) de önemli rol oynuyor; ayrıca sıcaklık ve kısa gecikmeli basit DNI geçmiş değerleri de etkili. Nemli hava, ozon ve bağıl nem özellikle nemli yaz aylarında beklenen güneş ışığını azaltma eğiliminde; geç kış ve erken baharda ise açık, kuru koşullar onu artırıyor. Bu bulgular operatörlara modelin verideki gizli tuhaflıklardan ziyade fiziksel olarak mantıklı sinyallere tepki verdiği konusunda güven veriyor.

Düz Ovalardan Dağ Vadiye

Temel bir test, bir yerde eğitilmiş bir modelin başka yerlerde güvenilir olup olmadığıdır. Yazarlar sistemlerini Hindistan’daki Bhagalpur sitesinde eğitiyor ve ardından onu Güney Asya genelinde alçak düzlüklerden Himalaya eteklerindeki karmaşık arazilere kadar beş ek konuma uyguluyorlar. Jhansi ve Kharagpur gibi daha düz arazilerde tahminler yüksek güvenilirliğini koruyor; hata düzeyleri stabil ve belirgin bir sistematik aşırı/eksik tahmin yok. Buna karşılık Himalayalar’daki Makalu gibi daha engebeli veya karmaşık arazide bulunan istasyonlar belirli zaman gecikmelerinde daha büyük doğruluk ve önyargı dalgalanmaları gösteriyor. Bu örüntüler, yerel topoğrafyanın ve dağ çevresinde hızlı bulut oluşumu gibi özgün hava davranışlarının salt uyduya dayalı bir modeli zorlayabileceğini ve ek uyarlamalar gerektirebileceğini öne sürüyor.

Geleceğin Güneş Enerjisi İçin Anlamı

Isı depolamalı yoğunlaştırılmış güneş enerjisi santrali operatörleri için çalışma şu pratik mesajı veriyor: tesislerini etkili şekilde işletmek için en pahalı, ultra-hassas tahmin donanımına her zaman ihtiyaçları olmayabilir. Termal enerji depolamanın sağladığı doğal düzeltme sayesinde makul hataları olan iyi tasarlanmış bir uydu tabanlı model bile önümüzdeki birkaç saat için güç çıktısı planlamasında güven sağlayabilir. Ücretsiz, geniş kapsama sahip uydu verilerine ve yorumlanabilir makine öğrenimine dayanmak, bu yaklaşıma özellikle Güney Asya gibi güneş açısından zengin bölgelerde maliyetleri düşürüp güneş elektriğinin fiyatını azaltacak ölçeklenebilir bir yol sunuyor. Dağlar, aerosoller ve yerel hava desenleri hesaba katılarak yapılacak ilave iyileştirmelerle bu tür tahmin sistemleri daha güvenilir, güneşle beslenen bir şebekenin omurgası hâline gelebilir.

Atıf: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Anahtar kelimeler: güneş tahmini, yoğunlaştırılmış güneş enerjisi, uydu verisi, makine öğrenimi, termal enerji depolama