Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması

Abstract

Ülkeler elektrik enerjisi ihtiyacının yükselmesi nedeniyle ucuz ve güvenilir yenilenebilir enerji üretimine yönelmiştir. Son yıllara bakıldığında yenilebilir enerji kaynakları içerisinden fotovoltaik (FV) enerji sistemleri ön plana çıkmaktadır. Üretilen güneş enerjisinin makine öğrenmesi yöntemleri ile tahmininde güneş radyasyonu, basınç, sıcaklık gibi meteorolojik veriler etkili faktörlerdir. Bu faktörler de hava şartlarına göre değişkenlik gösterdiğinden, güneş enerjisi santrallerinde geleceğe dair üretilebilecek enerji miktarını tahmin etmek zordur. Güneş panellerinin kurulumu yapılmadan önce ışınım şiddetine göre ortaya çıkacak elektrik enerji potansiyelinin hesaplanması için farklı yöntemler geliştirilmiştir. Bu yöntemlerden birisi de son zamanlarda yaygınlaşan makine öğrenme algoritmalarının kullanılarak model oluşturulması ve sonuçların değerlendirilmesidir. Bu tez çalışmasında; Amasya Üniversitesi İpekköy yerleşkesindeki güneş panellerinden saatlik üretilen enerjinin, makine öğrenmesi modelleri kullanılarak tahmin yapılmaya çalışılmıştır. Meteorolojik faktörlerin enerji üretimindeki etkileri analiz edilmiştir. Değerlendirmeler için Python programlama dilinin kütüphaneleri kullanılarak makine öğrenmesi gerçekleştirilmiştir. Yapılan çalışmada, veri seti olarak 2016 yılı Amasya bölgesine ait sıcaklık, güneş radyasyonu, azimut açısı ve üretilen enerji verileri kullanılmıştır. Çalışmadaki verilerin %80'i eğitim veri seti için, %20'si ise test verisi için kullanılmıştır. Veri eğitimi için makine öğrenmesi algoritmalarından Lojistik Regresyon, AdaBoost, Naive Bayes, K-En Yakın Komşu, Rastgele Orman, Destek Vektör Regresyonu ve Yapay sinir ağları algoritmaları kullanılmıştır. Sonuç olarak elde edilen veriler kullanılarak güneş enerjisi potansiyeli başarılı bir şekilde tahmin edilmiştir.

Countries have turned to cheap and reliable renewable energy production due to the increase in electricity energy needs. Photovoltaic (PV) energy systems have been a prevalent one among these energy resources in recent years. In the estimation of generated solar energy using machine learning methods, meteorological data like solar radiation, pressure, and temperature are influential elements. The future generation of energy in solar power plants can be quite difficult to predict since these elements vary depending on weather conditions. Methods have been developed to calculate potential electricity generation from radiation energy before the installation of plants. One of these methods is to create a model and obtain simulation results by using machine learning algorithms that have become widespread recently. In this thesis study; It was aimed to predict the hourly electric power generation in the photovoltaic panels in Amasya University, Ipekkoy campus, using machine learning models. The effects of meteorological factors on energy production were analyzed. Machine learning was carried out using the libraries of the python programming language for the evaluations. In the study, temperature, solar radiation, azimuth angle and produced energy data of 2016 Amasya region were used as data set. 80% of the data in the study were used for the learning dataset, while 20% were used for testing data. For data learning, machine learning algorithms of Linear Regression models, Support Vector Regression, AdaBoost Regressor, K-Nearest Neighbors, Random Forest, Naive Bayes, and Artificial Neural Network were used. As a result, the solar energy potential was successfully estimated using the obtained data.