Çift optik elemanlı yoğunlaştırılmış fotovoltaik sistemlerin akım-gerilim davranışının tahmini için makine öğrenmesi ile yaklaşık model geliştirilmesi

Günümüzde artan küresel enerji talebi ve fosil yakıtların çevresel etkileri, yenilenebilir enerji kaynaklarına olan yönelimi zorunlu kılmıştır. Bu teknolojiler arasında yer alan Yoğunlaştırılmış Fotovoltaik (CPV) sistemler, güneş ışığını optik elemanlar vasıtasıyla küçük alanlı ve yüksek verimli güneş hücreleri üzerine odaklayarak, standart fotovoltaik sistemlere kıyasla daha yüksek enerji dönüşüm verimliliği sunma potansiyeline sahiptir. Ancak, CPV sistemlerinin performansını etkileyen optik ve geometrik parametrelerin çokluğu ve bu parametreler arasındaki karmaşık, doğrusal olmayan ilişkiler, tasarım süreçlerini zorlaştırmakta ve deneysel maliyetleri artırmaktadır. Bu tez çalışmasının temel amacı, çift optik elemanlı (Fresnel lens) CPV sistemlerinin karmaşık elektriksel davranışını tahmin etmek ve sistem performansını optimize etmek için makine öğrenmesi tabanlı, çok katmanlı bir yaklaşık model (surrogate model) geliştirmektir. Çalışmada, deneysel veriler kullanılarak geliştirilen model mimarisi, Optuna algoritması ile hiperparametre optimizasyonu yapılmış XGBoost (Extreme Gradient Boosting) tabanlı Çoklu Çıktı Regresyonu ve Yapay Sinir Ağı (YSA) katmanlarının entegrasyonundan oluşmaktadır. Geliştirilen model, sistemin optik parametreleri (birincil ve ikincil lenslerin yoğunlaştırma oranları C1, C2 ve odak oranları f1, f2) ile çevresel koşulları (ışınım şiddeti G) girdi olarak kullanmakta; çıktı olarak ise maksimum güç (Pmax), maksimum akım (Imax) ve maksimum gerilim (Vmax) değerlerini yüksek doğrulukla tahmin etmektedir. Özellikle sistemin maksimum performansını sağlayan kritik "Lensler Arası Mesafe" (LD) değerinin kestirilmesi, çalışmanın özgün katkılarından biridir. YSA tabanlı yaklaşım sayesinde, geniş bir parametre uzayında sanal tarama yapılarak, farklı ışınım seviyeleri için optimum LD ve optik konfigürasyon kombinasyonları belirlenebilmiştir. Bu yöntem, sistemi adeta bir "sanal laboratuvar" ortamında test etme imkânı sunarak, fiziksel prototip üretiminden kaynaklanan zaman ve maliyet kayıplarını minimize etmektedir. Modelin geçerliliği ve tahmin başarısı, literatürde kabul görmüş analitik bir yöntem olan Akbaba ve Alattawi (1995) I-V eğrisi modeli ile sistematik olarak karşılaştırılarak doğrulanmıştır. Yapılan karşılaştırmalı analizlerde, makine öğrenmesi modelinin ürettiği I-V eğrilerinin, özellikle Açık Devre Gerilimi (Voc) ve Kısa Devre Akımı (Isc) bölgelerinde referans model ile yüksek korelasyon gösterdiği tespit edilmiştir. Elde edilen düşük normalize Kök Ortalama Kare Hata (nRMSE) değerleri ve küçük sapma oranları, modelin fiziksel davranışla uyumlu ve güvenilir sonuçlar ürettiğini kanıtlamaktadır. Sonuç olarak bu çalışma, CPV sistemlerinin tasarım ve optimizasyon süreçlerinde mühendislik kararlarını hızlandıran, veri odaklı ve genellenebilir bir karar destek aracı ortaya koymaktadır. sunduğunu kanıtlamaktadır.