Makine öğrenimi tabanlı fotovoltaik çıkış gücü tahminlemesi

Fosil yakıt kaynaklarının sınırlı olması, çevreye zararlı etkilerinin olması gibi nedenlere ek olarak küresel enerji alanında yaşanan kötü gidişatın önünü almak için fotovoltaik (PV) sistemlerinin kurulum kapasitesi giderek artmaktadır. PV sistemlerinin hava koşularına bağımlılığı PV güç çıkışlarında kararsızlığa, gerilim, frekans dalgalanmaları ve kesintilere neden olmaktadır. Bu durum ise PV enerjisinin şebekelere entegrasyonunu zorlaştırmaktadır. Bu yüzden PV güç çıkışını önceden kısa süreli tahmin etmek karşılaşılan zorlukların üstesinden gelmek için çok önemlidir. Bu çalışmanın amacı, literatürde makine öğrenimi modellerinde yaygın olan aşırı öğrenme ve yavaş öğrenme dezavantajlarının üstesinden gelerek daha hızlı öğrenen ve yüksek doğrulukta performans gösteren Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı (GD-RVFL) ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli 10 farklı makine öğrenimi yöntemi olan Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Yapay Sinir Ağı (YSA), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) ve Ridge Regressor (RR) yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir. Bu çalışmada makine öğrenimi modellerini oluşturmak ve uygulamak için MATLAB programı kullanılmıştır. Bu çalışmanın veri seti, Diyarbakır'ın Dicle Üniversitesi kampüsünde bulunan PV güç santralinden ve güneş enerji istasyonundan toplanmıştır. Veri seti, 10 dakikalık aralıklarla Mayıs 2019-Nisan 2022 tarihleri arasında elde edilmiştir. Bu çalışmada, ilk olarak, güneş ışınımı, güneşlenme süresi, rüzgâr hızı, ortam sıcaklığı, panel yüzey sıcaklığı, bulutluluk oranı, DC akım, gerilim ve bağıl nem parametreleri Konikal Korelasyon Analizi (KKA) modeli kullanarak hava tipi seviyelerine göre dört sınıfa ayrılmıştır. Daha sonra GD-RVFL modeli, bu dört sınıfa ayrılan hava tipini giriş olarak kullanılarak kısa vadeli (10 dakika) PV çıkış gücünü tahmin etmiştir ve sonuçlar 10 farklı makine öğrenimi modeli ile karşılaştırılmıştır. Yapılan bu karşılaştırma sonucunda GD-RVFL' nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür. Ayrıca bölgede meteorolojik koşullar nispeten sabit olduğu günlerde modellerin çoğu nispeten yüksek doğruluk göstermiştir. Hava koşullarının değişkenlik gösterdiği günlerde ise GD-RVFL daha iyi sonuç vermiştir. Meteorolojik koşulların sabit olduğu günlerin Ortalama Mutlak Yüzdelik Hata (OMYH) değerleri sırasıyla 1,68; 1,72 ve 1,82 olmuştur. Sonuç olarak seçilen özellikler ve yöntem tahmin doğruluğunun önemli ölçüde iyileştirmiştir.