Kademeli makine öğrenmesi teknikleri kullanarak güneş enerjisi üretimi tahmini

Enerji, hayatın ve ekonominin önemli bir parçası olup, nüfusa bağlı olarak hızla artan bir talebe sahiptir. Fosil yakıtlar gibi yenilenemez kaynaklar hızla tükenmekte ve talebi karşılayamamaktadır, bu da enerji sistemlerinin farklı kaynaklar aramasına neden olmaktadır. Fosil yakıtların kullanımıyla ortaya çıkan çevresel sorunlar ve dünyaya olan etkileri göz önüne alındığında, güneş ve rüzgar gibi temiz ve yenilenebilir enerji kaynaklarına olan eğilim artmaktadır. Güneş enerjisi, bol miktarda bulunması ve uygulanabilirliği kolay olması nedeniyle yenilenebilir enerji piyasasında önemli bir paya sahiptir. Üretilen güneş enerjisi miktarı, sıcaklık, güneşin açısı, fotovoltaik radyasyon, bulut miktarı ve konum gibi birçok faktöre bağlıdır. Güneş enerjisi için bu faktörleri dikkate alarak geliştirilen tahmin modelleri, verimli üretim ve dağıtım ağı oluştururken önemli bir role sahiptir. Teknolojik ilerlemelerle birlikte, makine öğrenmesi modelleri diğer tahminleme yöntemleri arasında giderek daha popüler hale gelmektedir. Makine öğrenmesi, bilgisayarların açıkça kodlanmadan tahmin yapmasını sağlayan matematiksel algoritmalar ve modeller oluşturmayı hedefler. Makine öğrenimi modelleri farklı şekillerde eğitilebilir. Geleneksel eğitim yaklaşımı, veriyi eğitim ve test verisi olarak ayırarak eğitim verisinin tümünü tek seferde kullanır.. Çevrimiçi (Kademeli) öğrenme, tahmin modelini eğitim için ayrılan veriyle birer birer besleme prensibidir. Bu, verilerdeki desenlerin değişken olduğu ve bu varyasyonları yakalamanın önemli olduğu birçok sektörde kullanılır. Çevirimiçi eğitim prensibi, denetimli, denetimsiz ve birçok diğer veri madenciliği algoritmasına adapte edilebilir. Bu çalışmada, çevirimiçi eğitim yaklaşımının güneş enerjisi üretimindeki uygunluğu, 6 farklı makine öğrenmesi modeli (Doğrusal Regresyon, Lasso Regresyon, Ridge Regresyon, Karar Ağacı, Rastgele Orman ve Yapay Sinir Ağı) kullanılarak test edilmiştir. Çevrimiçi modellerin güneş enerjisi tahminlerinde geleneksel modellere göre daha iyi performans gösterip göstermediğini değerlendirmek için Amerikan Meteoroloji Derneği tarafından sağlanan Kaggle platformundaki açık kaynaklı bir yarışma verisi kullanılmıştır. Ortalama Mutlak Hata değerlerine göre çevirimiçi modeller daha başarılı bulunmuştur.