Güneş enerjisi santrali elektrik üretimi tahmininin makine öğrenmesi algoritmalarıyla gerçekleştirilmesi

Bu çalışmanın amacı, bir güneş enerjisi santralinde elektrik üretimini makine öğrenmesi algoritmaları (XGBoost, LightGBM, CatBoost) kullanarak tahmin etmek ve bu modellerin performanslarını karşılaştırmaktır. Çalışmada, saatlik ve günlük elektrik üretim verileri analiz edilmiş ve her bir modelin tahmin doğruluğu MAE, MSE ve R² gibi metrikler ile değerlendirilmiştir. Ayrıca, modellerin farklı üretim seviyelerindeki tahminleri günlük bazda grafiklerle desteklenmiştir. Elde edilen bulgular, XGBoost algoritmasının günlük tahminlerde en düşük ortalama hataya (MAE: 3.594) sahip olduğunu, ancak veri setindeki varyansın açıklanmasında sınırlı bir başarı (R²: 0.362) performansı ortaya koymuştur. LightGBM algoritması, veri varyansının %56'sını açıklayarak (R²: 0.561) diğer modellere göre daha geniş bir kapsama sahip olmuş, ancak hata değerleri (MAE: 2024,321 ve MSE: 8.143.625,10) görece daha yüksek bulunmuştur. CatBoost algoritması ise R²: 0.527 ve MAE: 2123,28 değerleri ile orta düzeyde bir performans sergilemiş; yüksek üretim seviyelerinde tutarlı sonuçlar verirken düşük üretim seviyelerinde daha yüksek hata oranları göstermiştir. Genel olarak, modellerin yüksek ve orta üretim seviyelerinde başarılı olduğu, ancak düşük üretim seviyelerinde ve ani dalgalanmalarda performanslarının sınırlı kaldığı belirlenmiştir. Sonuç olarak, güneş enerjisi santralinden elektrik üretimini tahmin etmede kullanılan makine öğrenmesi algoritmaları, özellikle yüksek üretim dönemlerinde başarılı sonuçlar gösterirken, düşük üretim seviyelerinde hata oranlarının arttığı görülmüştür.