Fotovoltaik bir santralin farklı çevresel koşullar altındaki güç tahmini için uygun makine öğrenmesi yöntemlerinin araştırılması

Yenilenebilir enerji kaynakları (YEK), fosil yakıt tüketiminin kısıtlılığı ve çevresel etkileri nedeniyle enerji sektöründe önemli bir yer edinmiştir. Fotovoltaik (FV) sistemler, güneş enerjisinden elektrik üretmek için çevre dostu bir seçenek sunarken, üretim miktarları hava koşullarından etkilenmektedir. Bu durum, enerji sistemlerindeki arz ve talep dengesini korumak için güneş enerjisi üretiminin doğru bir şekilde tahmin edilmesini kritik hale getirmektedir. Tez çalışması, bu gereklilikten hareketle, FV panellerin çıkış gücünün hava durumu verileri kullanılarak makine öğrenmesi teknikleriyle tahmin edilmesini amaçlamıştır. Bu tezde, özellik çıkarımı için Dalgacık Dönüşümü'nün (DD) iki farklı türü, Ayrık Dalgacık Dönüşümü (ADD) ve Örnek İndirgenmemiş Dalgacık Dönüşümü (ÖİDD), kullanılmıştır. Elde edilen özellikler regresyon ve ağaç tabanlı makine öğrenmesi modelleriyle analiz edilmiştir. ADD, Destek Vektör Regresyonu'nda (DVR), 0,0001 Ortalama Kare Hatası (MSE), 0,0025 Kök Ortalama Kare Hatası (RMSE) ve 0,9992 Determinasyon Katsayısı (R2) değerleriyle ile en düşük hataları ve en iyi performansı gösterirken, Ridge Regresyon (RR) ve Lasso Regresyon (LSR) ise en düşük tahmin sürelerini (0,0003 sn.) alarak regresyon tabanlı modellerle daha uyumlu bulunurken, ÖİDD ise Rastgele Orman (RO) ve Karar Ağacı (KA) gibi ağaç tabanlı yöntemlerde daha yüksek performans göstermiştir. Özellikle ÖİDD-KA modeli MSE=0,00004, RMSE=0,0058 ve R2=0,9997 değerleriyle en dengeli ve mükemmel sonucu vermiştir. Çalışma sonucunda, veri türüne ve problem yapısına uygun özellik çıkarımı ve model seçiminin, tahmin doğruluğu üzerinde belirleyici bir etkisi olduğu belirlenmiştir. Model performansı, MSE, RMSE, R2, tahmin ve eğitim süreleri gibi değerlendirme metrikleriyle karşılaştırılmış, ağaç tabanlı modellerin daha düşük hata oranlarıyla öne çıktığı (MSE=0,00004-0,00009) gözlemlenmiştir. Regresyon tabanlı modeller ise daha hızlı tahmin süresi (LR=0,0002) sunmasıyla dikkat çekmiştir. MATLAB ortamında gerçekleştirilen çalışmada, Bursa Teknik Üniversitesi (BTÜ) Mimar Sinan Kampüsü'nde yer alan 5 kW'lık Şebeke Bağlantılı FV Sistem ve 2 kW'lık akü grubu ile oluşturulan «Yenilenebilir Enerji Destekli Elektrikli Araç Şarj İstasyonu» prototip sisteminden alınan gerçek zamanlı modül sıcaklığı, ortam sıcaklığı, nem ve güneş ışınımı verileri kullanılmıştır. Bu veri seti çevresel faktörlerden meydana gelmekte olup, çeşitli hava koşulları altında FV panellerin çıkış gücünü detaylı bir şekilde modellemek üzere kullanılmıştır. Gerçek zamanlı ölçüm verilerinin kullanılması, tahmin modellerinin pratik uygulamalardaki etkinliğini artırmak için büyük bir avantaj sağlamaktadır. Bu tez, yenilenebilir enerji sistemlerinin tahmini ve yönetimi için optimize edilmiş özellik çıkarım yöntemleri ve makine öğrenmesi modellerinin uygulanabilirliğini ortaya koymuştur. Sonuçlar, ÖİDD ve ağaç tabanlı modellerin, karmaşık yapılarda üstün olduğunu, regresyon tabanlı modellerin ise zaman etkinliği sağladığını göstermiştir. Bu bağlamda, enerji sistemlerinin verimliliğini artırmak için tahmin süreçlerinde veri türüne uygun modellerin seçimi önem taşımaktadır. İlerleyen çalışmalarda, üretim tahminlerinin enerji depolama ve elektrikli araç şarj istasyonları için kullanılması önerilmektedir. Anahtar kelimeler: Fotovoltaik güç sistemi, Güç tahmini, Makine öğrenmesi, Dalgacık dönüşümü, Regresyon modelleri, Karar ağacı