Abstract:
PV enerji sistemleri, dünya çapında önde gelen yenilenebilir enerji sistemlerinden biridir. PV enerji üretiminin doğru bir şekilde tahmin edilmesi verimli enerji şebekelerinin korunması, enerji piyasasında bilinçli kararlar alınması ve bakım maliyetlerinin azaltılması açısından çok önemlidir. Güneş ışınımı ve sıcaklık, PV tesislerinde üretilen PV enerji miktarını doğrudan etkileyen iki meteorolojik değişkendir. Bu tez çalışmasının ilk aşamasında Harran Üniversitesi Güneş Enerji Santrali ve GAPYENEV Merkezi’nden alınan santral ve meteoroloji istasyonu verileri üzerinde IBK, LR, RF, RT, MLP ve MLP Regresyonu dahil olmak üzere çeşitli makine öğrenmesi yöntemleri kullanılarak güneş ışınımı ve sıcaklığın tahmin edilmesi için kapsamlı bir model oluşturulmuştur. Sonrasında zaman serileri analizi için SES, ETS, HOLT, ARIMA ve HWES kullanılarak öngörü modelleri oluşturulmuştur. Hem güneş ışınımı hem de sıcaklık için günlük tahminlerin yanı sıra 5 dakikalık aralıklarla 1 adım sonrası için tahminler gerçekleştirilmiştir. PV tahmini için hassas modeller oluşturmak amacıyla her iki değişkeni de aynı metodolojiye tabi tutmak çok önemlidir. Güneş ışınımı ve sıcaklık tahmin değerleriyle elde edilen enerji verimi, PV enerji santralinin gerçek enerji verimiyle karşılaştırmıştır. PR, PV tesis performansını değerlendirmek için kritik bir parametredir, bu nedenle PR hesaplaması yapılmıştır. Oluşturulan tüm makine öğrenmesi ve zaman serisi öngörü modellerinin RMSE, MAPE, MABE, MAE, MSE ve DAC gibi istatistiksel hata kriterlerine göre karşılaştırılması yapılarak detaylı analizi sunulmuştur. İkinci aşamada, derin öğrenme ile güneş ışınımı öngörü modelleri oluşturulmuştur. Toplanan yenilenebilir enerji verilerinin miktarı arttıkça ihtiyaç duyulan büyük veri analizi çözümlerinin elde edilmesinde derin öğrenme giderek daha önemli hale gelmektedir. Bu bağlamda, bu tez çalışmasında güneş ışınımı tahminine yönelik CNNve LSTM ağını içeren derin öğrenmeye dayalı hibrit bir model önerilmişve mevcut PV sistemleri üzerinde öngörü modelleri uygulanmıştır. Ayrıca, önerilen modellerin tahmin yeteneği, SVR ve FFNN gibi standart makine öğrenmesiyöntemleriyle karşılaştırmalı olarak değerlendirilmiştir. Modellerin tahmin yeteneğini ölçmek için RMSE, MAPE, MAE ve R2 gibi istatistiksel hata metrikleri kullanılmıştır.
