Düzce Üniversitesi kampüsünün günlük güneş enerjisi ile elektrik enerjisi üretim değerinin gün öncesinden derin öğrenme yöntemi ile tahmin edilmesi

Araştırmamızda Düzce Üniversitesi kampüs bölgesinde günlük güneş enerjisi ve elektrik üretimine ilişkin verilerin derin öğrenme teknikleriyle bir gün öncesinden tahmin edilmesi amaçlanmaktadır. Gün öncesinden tahmin yapılmasının sebebi, gerçekleştirilen bu çalışma sonucunda güneş enerjisi ve elektrik üretim değerlerinin tahmin edilmesi, aşırı üretim veya yetersiz üretim gibi olası durumlara karşı önceden önlem almayı mümkün kılmaktadır. Ayrıca, bir gün sonrasına ait güvenilir üretim tahminleri yapılmış ve üretim ile tüketim arasındaki planlamalar için sağlam öngörüler elde edilmiştir. Bunun yanı sıra, üniversite kampüsleri gibi geniş ölçekli tüketim alanları, enerji tüketiminin üretimle dengeli bir şekilde optimize edilmesine önemli bir katkı sağlanmıştır. Bu sayede, gereksiz enerji tüketimlerinin önüne geçilmesi ve aşırı üretimin kontrol altına alınmasıyla ekonomik verimliliğin artırılması hedeflenmiştir. Enerji yönetim sisteminin oluşturulmasına yardımcı olacak alt yapı oluşturulması sağlanacaktır.Bu çalışmada derin öğrenme ile insan beyninin nöron temelli bilgi işleme yapısı taklit edilerek güneş enerjisinden enerji üretim tahmini yapılmaya çalışılmıştır. Güneş ışınımının tahminine yönelik etkili bir model geliştirmek için BiLSTM yönteminin sunduğu avantajlardan faydalanılmıştır. Geliştirilen modelin, geçmiş saatlik enerji üretim verilerini temel alarak bir sonraki günün saatlik enerji üretim tahminlerini gerçekleştirmesi hedeflenmiş; bu tahminler doğrultusunda ise gün öncesinden tahmin yapabilen bir modelin geliştirilmesi amaçlanmıştır. Çalışmada geliştirilen BiLSTM modeli, yazılım kullanılarak kurgulanmış ve bu model aracılığıyla bölgenin gün öncesinden elektrik enerjisi üretim tahmini yapabilmesi amaçlanmıştır. Modelin geliştirilme sürecinde öncelikle güneş enerjisi benzetim yazılımı kullanılarak bölgenin enerji üretim potansiyeli belirlenmiş, elde edilen enerji sıcaklık verileri mevsimsel olarak ayrılmış ve kullanılan yazılımda temel girdi olarak kullanılmıştır. Elde edilen bu veri setleri, yazılım ortamında modeli eğitmek için kullanılmıştır. Modelin tahmin performansını değerlendirmek amacıyla, tahmin hatasına ilişkin R² metriği, MAE, MSE ve RMSE gibi performans ölçütleri kullanılmıştır. Aynı zamanda, modelin doğruluk performansları, yazılım aracılığı ile kullanılabilen Curve Fitting Toolbox yöntemiyle karşılaştırılmış ve elde edilen sonuçların güvenilirliği ayrıntılı bir şekilde analiz edilmiştir. Bununla beraber geliştirilen modeller üzerinde testler yapılmıştır. Sonuçlar, incelenen tüm veri setlerinde BiLSTM modelinin, Curve Fitting Toolbox yöntemine kıyasla daha yüksek bir R² metriği değeri ve daha düşük hata oranları sunduğunu ortaya koymuştur.