Kısa dönemli fotovoltaik güç tahmini için geliştirilen yenilikçi bir hibrit modelin analizi ve uygulaması

Günümüzde hızla artan enerji ihtiyacına paralel olarak üretilen enerjinin temiz ve sürdürülebilir olması mevcut ve gelecek nesiller adına büyük öneme sahiptir. Bu kapsamda yenilenebilir enerji kaynaklarının kullanımı çevre bilincine ve sürdürülebilir kalkınma politikasına katkı sağlamaktadır. Yenilenebilir enerji kaynaklarının en önemlilerinden biri olan güneş enerjisinin kullanımıda bu alanda hızla yaygınlaşmaktadır. Fotovoltaik panellerden (PV) elde edilen enerjinin şebekeye entegrasyonunda, güç sistemlerinin güvenilirliği ve istikrarı açısından bu sistemlerden elde edilecek olan enerjinin tahmin edilmesi büyük öneme sahiptir. Ancak güneş ışınımının aralıklı doğasının etkisi, doğru tahmin modellerinin geliştirilmesini zorlaştırmaktadır. Bu tez çalışması kısa dönemli güneş enerjisi güç tahmini için hibrit tahmin modeli analizi önermekte ve farklı ayrıştırma metotlarının performansını analiz etmektedir. Bu kapsamda BŞEÜ yenilenebilir enerji laboratuvarından 2021 yılından itibaren alınan veriler kullanılmıştır. Tez çalışmasının ilk aşamasında Görgül Kip Ayrışımı (Empirical Mode Decomposition, EMD), Topluluk Görgül Kip Ayrışımı,(Ensemble Empirical Mode Decomposition, EEMD), Geliştirilmiş Ampirik Mod Ayrıştırma,(Improved Empirical Mode Decomposition, IEMD), Uyarlanabilir Gürültü ile Komple Topluluk Görgül Kip Ayrışımı,(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN) ve Sürü Ayrıştırma,(Swarm Decomposition, SWD) gibi literatürde kullanılan güncel ve yenilikçi ayrıştırma modellerinin performansı çok katmanlı ağ (Multi-Layer Perceptron, MLP) yapılarıyla ayrı ayrı mevsimsel olarak analiz edilmiş ve karşılaştırmalı olarak sonuçları sunulmuştur. Tezin ikinci aşamasında ise CEEMDAN yaklaşımı ile Kernel-ELM modeli hibrit olarak önerilmiş bu kapsamda elde edilen veriler ayrıştırma adımında CEEMDAN ile alt bileşenlerine ayrıştırılmıştır. Ayrıştırma adımıyla birlikte elde edilen daha durağan veriler ile tahmin modeline uygulanan alt bileşenler ile daha hassas doğrulukta kısa dönemli tahmin sonucu elde edilmiştir. Önerilen modelin performansı farklı hata performans metrikleri ile karşılaştırmalı olarak sunulmuştur. Bu kapsamda farklı ayrıştırma metodu içeren hibrit modeller ve derin öğrenme tabanlı model ile önerilen model karşılaştırılarak üstünlüğü ele alınmıştır. Kök ortalama kare hatası değeri dikkate alındığında tüm mevsimsel alınan aylar bazında önerilen hibrit model en yakın başarım gösteren modele göre %22,69 ile %44,56 arasında model başarımını artırmıştır. Buna ek olarak Taylor Diyagramı ile de modellerin performansı son adımda istatiksel olarak karşılaştırmalı olarak sunulmuştur. Tüm yapılan analizler sonucunda yenilikçi bir yaklaşım olarak önerilen CEEMDAN-Kernel-ELM yaklaşımının kısa dönemli güneş enerjisi tahmini için diğer konvansiyonel hibrit modellere ve derin öğrenme tabanlı modellere göre daha iyi sonuç verdiği gözlemlenmiştir.