Estimation of Energy to be Obtained from PV Power Plants Using Machine Learning Methods

Abstract

Öz Elektrik enerjisi ihtiyacının artması, ülkeleri güvenilir, ucuz ve temiz enerji teminine yöneltmiştir. Son zamanlarda bu enerji kaynakları arasından fotovoltaik (PV) güç sistemleri öne çıkmaktadır. Güneş enerjisi potansiyelinin yüksek olduğu Türkiye'de devlet teşvikleriyle birlikte PV güç santrallerine olan yatırımların sayısı artmaktadır. PV santrallerin kuruluş yeri seçimi için fizibilite çalışmalarının yapılması ve buna bağlı olarak sistemlerin tasarlanması, yapılacak yatırımların ekonomikliğinin belirlenmesi açısından önemli bir konu olarak görülmektedir. Santral kurulmadan önce ışınım enerjisine göre elde edilebilecek elektrik enerjisinin hesaplanması için eşitlikler ve yöntemler geliştirilmiştir. Bu yöntemlerden biri de makine öğrenme modellerinin geliştirilmesi ve simülasyon sonuçlarının elde edilmesidir. Bu çalışmada; Türkiye'de 125 farklı bölge için kurulması planlanan PV santrallerinin üreteceği elektrik gücünün, makine öğrenmesi modelleri ile tahmin edilmesi amaçlanmıştır. Bu amaç doğrultusunda PV sistemler için güneş ışınımı tahmin edilmesinde Yapay Sinir Ağları (YSA), Çoklu Doğrusal Regresyon (ÇDR) ve k-En Yakın Komşu Regresyon (k-EYKR) makine öğrenimi metodolojileri kullanılmıştır. Bu metodolojilerin performansını analiz etmek amacıyla bir dizi deneysel değerlendirmeler yapılmıştır. Değerlendirmeler için veri seti, Numpy, Pandas, Scipy gibi temel python kütüphanelerinin yanı sıra makine öğrenmesi uygulamaları için geliştirilmiş olan scikit-learn kütüphanesinde test edilmiştir. Deneysel sonuçlar, girdi olarak kullanılmış yedi adet bağımsız değişkenin, makine öğrenimine dayalı tahmin algoritmalarının çalıştırılmasıyla PV tarafında üretilen elektrik gücünü tahmin edebildiğini göstermiştir.

Makine Öğrenmesi Yöntemleri Kullanılarak Elektrikli Cihazların Sınıflandırılması.

“…Solar santrallerin tesis ediliĢ yerinin seçimi için fizibilite çalıĢmalarının yapılması ve sistemlerin elde edilen analiz sonuçlarına göre tasarlanması, yapılacak yatırımların maliyet/fayda oranının belirlenmesi açısından önemli bir adım olmaktadır. Kurulması planlanan solar santrallerin üretim kapasitesini tahmin etmek makine öğrenmesi modelleri ile mümkündür [11]. Bu amaç doğrultusunda, solar sistemler için güneĢ ıĢınımı tahmin etmek için yapay sinir ağları, çoklu doğrusal regresyon ve en yakın komĢu regresyon yöntemleri kullanılmıĢ ve tatmin edici sonuçlar elde edilmiĢtir.…”

“…Özellik 2: Standart sapma, analiz edilen verilerin ortalamasını belirledikten sonra varyansın karekökü alınarak elde edilen değerler dizinidir. Standart sapma, her bir veri noktasının ortalamaya göre sapması belirlenerek varyansın karekökü olarak hesaplanır[11].2.2. Yerel İkili ÖrüntüGörüntü iĢleme uygulamaları için etkili ve üretken yöntemlerden biri Yerel Ġkili Örüntü (YĠÖ) yöntemidir.…”

Developing new solar radiation estimation models with machine learning techniques and testing their efficiency in various places

“…Belmahdi et al [12] proposed an algorithm method to select optimal ML techniques and time series models for estimating SR, and found that the Feed Forward neural network (FFNN) and ARIMA performed better. Uguz et al [13] predicted solar power plants using ML methods and artificial neural networks. Narvaez et al [14] proposed a methodology based on ML algorithms to achieve enhanced spatio-temporal resolution and highly accurate predictive SR models based on deep learning on improved data.…”