Fotovoltaik sistemlerde makine öğrenmesi ile enerji üretim tahmini

Güneş ve rüzgâr gibi yenilenebilir kaynaklara ilgi ve yapılan yatırımlar her geçen gün artsa da bu tesislerin dağıtım şebekelerine sürekli enerji sağlayamama gibi bir dezavantajı bulunmaktadır. Bunun yanında tüketim kısmında da yaşanabilecek belirsizlikler, enerji arz-talep dengesizliğine sebep olabilmektedir. Bu durum tahmin çalışmalarını ön plana çıkarmaktadır. Bu tez çalışmasında iki farklı veri seti oluşturulmuş, makine öğrenimi yöntemleri ile enerji üretim tahmini yapılmıştır. İlk veri seti için model bir güneş enerji üretim tesisi kurularak, nesnelerin interneti teknolojisi (NİT) ile tesisin atmosferik verileri ve anlık akım değerleri on bir ay boyunca toplanmıştır. İkinci veri seti dünya genelinde hava tahminleri ve atmosferik veriler sunan bir web sitesinden elde edilmiştir. Elde edilen verilerden beş farklı veri kümesi oluşturularak eğitime sokulmuş, Doğrusal Regresyon, Rastgele Orman (RF), XGBoost ve LSTM makine öğrenme algoritmaları kullanılarak enerji üretim tahmini yapılmıştır. Tahmin performansını değerlendirmek için R2, RMSE ve MAE performans metrikleri kullanılmıştır. En iyi tahmin sonucu NİT veri seti ile yapılan eğitimde elde edilmiş, R2 metrik değerlendirmesinden RF algoritması 0.9298, XGBoost algoritması 0.9303 sonuçlarını almıştır. İkinci veri seti ile yapılan eğitimde ise R2 metrik değerlendirmesinden RF Algoritması 0,8869, XGBoost algoritması ise 0,8904 sonuçlarını almıştır. Bu sonuçlar, makine öğrenimi algoritmalarının enerji üretim tahmininde yüksek doğrulukla çalışabildiğini ve hem yerel atmosferik veriler hem de anlık akım verileri ile küresel hava tahmin verileri kullanılarak güvenilir tahminler elde edilebileceğini göstermektedir.