Ultra-kısa dönem fotovoltaik güç tahmininde istatistiksel ve makine öğrenmesi tabanlı yöntemlerin karşılaştırılması

Yenilenebilir enerji kaynaklarının artan payı, elektrik şebekelerinde arz-talep dengesinin sağlanmasını giderek karmaşık hale getirmektedir. Özellikle güneş enerjisi gibi hava koşullarına bağlı kaynaklar, ani üretim dalgalanmalarına yol açarak şebekede gerilim ve frekans dengesizlikleri oluşturmakta ve enerji kesintisi riskini artırmaktadır. Bu durum, daha fazla yedek rezerv güç bulundurulmasını ve bunların daha sık devreye alınmasını gerektirmekte; dolayısıyla hem işletme maliyetlerini yükseltmekte hem de enerji sürekliliğini tehdit etmektedir. Bu üretim dalgalanmaları elektrik piyasa mekanizmaları üzerinde de belirgin etkiler yaratmaktadır. Türkiye'deki EPİAŞ tarafından işletilen elektrik borsalarında gün içi ve gün öncesi ticaret süreçleri, üretimdeki ani değişimlerden doğrudan etkilenmekte; bu da enerji fiyatlarında dalgalanmalara ve piyasa katılımcıları için risklerin artmasına neden olmaktadır. Çok kısa dönemli PV (fotovoltaik) üretim tahmini, gelecek birkaç dakikadan bir saat sonrasındaki zaman dilimine kadar güneş enerjisi santralinden şebekeye verilecek elektrik gücünün tahmin edilmesidir. Bu öngörüler şebeke işletmecilerinin daha etkin kararlar alabilmesini, yedek güç kaynaklarını daha verimli kullanabilmesini ve enerji arzını kesintisiz sürdürebilmesini sağlar. Böylece şebeke daha güvenilir, verimli ve sürdürülebilir şekilde çalışırken karbon emisyonları düşürülerek çevreye katkı sağlanır. Bu çalışmada, Türkiye'nin Balıkesir ilinde yer alan 2,8 MW gücündeki bir güneş enerji santralinden toplanan bir yıllık veriler kullanılarak 5 dakika ileriye yönelik güç tahmini yapılmıştır. Girdi olarak 5 dakika önceki güç, güneş ışınımı, panel sıcaklığı, ortam sıcaklığı, rüzgâr hızı ve saat bilgileri alınmış; çıktı olarak ise 5 dakika sonraki güç öngörülmüştür. Tahmin için Regresyon, Yapay Sinir Ağları (YSA), Uzun Kısa Vadeli Bellek (LSTM) ve Gradyan Artırmalı Regresyon Ağaçları (GBRT) yöntemleri uygulanmıştır. Ayrıca referans yöntem olarak Persistence yöntemi karşılaştırma amacıyla kullanılmıştır. Veriler iki farklı strateji ile modellenmiştir: tüm yıl verisiyle oluşturulan model (Model-1) ve her ay için ayrı ayrı oluşturulan modeller (Model-2). Yapılan testler sonucunda, en iyi performansı GBRT Model-2 gösterirken (R²: 0.9833, MAPE: %5.43), onu YSA Model-1 takip etmiştir (R²: 0.9810, MAPE: %6.67). Buna karşılık, en düşük performans LSTM Model-2'den gelmiştir (R²: 0.8875, MAPE: %16.79). Referans model olan Persistence Model 1 (R²: 0.93, MAPE: %8.52) ile karşılaştırıldığında, GBRT ve YSA gibi makine öğrenmesi modellerinin tahmin doğruluğunu önemli ölçüde artırdığı, ancak LSTM modellerinin beklentileri karşılamakta zorlandığı gözlemlenmiştir. Aylık verilerle eğitilen Model-2 yaklaşımının mevsimsel performans analizi, bu modelin yaz aylarında daha iyi sonuçlar verdiğini, buna karşılık kış aylarında performansının düştüğünü göstermiştir. Sonuç olarak, 5 dakikalık çözünürlükte kısa dönemli PV güç tahmini için makine öğrenmesi yöntemlerine dayalı veri odaklı yaklaşımlar, sistem güvenilirliği ve ekonomik verimliliği artırarak yenilenebilir enerjinin entegrasyonunu kolaylaştırmaktadır. Bu öngörüler, şebeke işletiminin kısa vadeli planlama ve dengeleme kararlarında güvenilir biçimde kullanılabilir.