Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 02.02.2023

Makale Kabul Tarihi: 23.05.2023

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

Berrin ERYILMAZ1, Heybet KILIÇ2*, Fatih Koçyiğit3 1Dicle Üniversitesi Fen Bilimleri Enstitüsü, Yenilebilir Enerji Kaynakları Ana Bilim Dalı,

Diyarbakır, Türkiye

[email protected], 2*[email protected], [email protected]

Öz

Fosil yakıt kaynaklarının sınırlı olması ve çevreye zararlı

etkilerinin olması nedeniyle fotovoltaik (PV) sistemlerinin

kurulumuna olan ihtiyaç 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. Yapılan bu karşılaştırma sonucunda GD-

RVFL’ nin etkinliği diğer 10 makine öğrenimi modeline göre

önemli ölçüde daha iyi performans gösterdiği görülmüştür.

Anahtar kelimeler: GD-RVFLN, KKA, Makine öğrenimi, PV çıkış gücü tahmini

Abstract

The need for the installation of photovoltaic (PV) systems is increasing due to the limited resources of fossil fuels and their harmful effects on the environment. The dependence of PV systems on weather conditions causes instability, voltage, frequency fluctuations and interruptions in PV power outputs. This situation complicates the integration of PV energy into the grids. Therefore, short-term forecasting of PV power output is crucial to overcoming the challenges. The aim of this study is to use the Robust Arranged Random Vector Function Interconnect (GD-RVFL) network model, which learns faster and performs with high accuracy, overcoming the excessive learning and slow learning disadvantages that are common in machine learning models in the literature, to predict the shortterm PV output power and in this context. Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme

Learning Machine (ELM), Artificial Neural Network (ANN), Gradient To evaluate the performance of the models by comparing them with the Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) and Ridge Regressor (RR) methods. As a result of this comparison, it was seen that the efficiency of GD-RVFL significantly outperformed the other 10 machine learning models.

Keywords: RR-RVFLN, CCA, Machine Learning PV output prediction

1. Giriş

Sanayinin gelişimi, hızlı kentleşme ve teknolojik büyüme enerjiye olan talebi gün geçtikçe daha önemli hale getirmektedir. Bu sürekli artan enerji talebini karşılamak için elektrik üretimi ve dağıtımına ihtiyaç vardır. Bilindiği gibi enerji üretimi yenilenebilir enerji kaynakları (YEK) (güneş, rüzgâr, su, biyokütle ve jeotermal gibi kaynaklar) ve yenilenebilir olmayan fosil enerji kaynakları (doğal gaz, kömür, nükleer ve petrol) tarafından üretilebilmektedir. Ancak fosil enerji kaynaklarının yapılarında hidrokarbon ve yüksek oranda karbon bulundurmaları atmosfere tehlikeli sera gazı (CO2) yayılımlarına yol açmakta bu durum ise çevre ve insan sağlığı için büyük risk oluşturmaktadır. Nitekim, Dünya Meteoroloji Örgütü'nün (DMÖ) “Küresel İklimin Durumu 2020 raporu”, sera gazı konsantrasyonlarının, son on yılda emsalsiz artan küresel sıcaklığın sonucunda kara ve okyanus sıcaklarının yükselmesine, buzulların erimesine ve aşırı hava olaylarına (sel baskınları, yoğun kar yağışları, şiddetli fırtınalar ve kuraklıklar gibi) neden olduğunu belgelemektedir [1]. Fosil enerji kaynaklarının çevreye olan tehlikeli etkileri ve gittikçe tükenmesi nedeniyle bu enerji kaynaklarına sınırlandırmalar getirilmiş, sürdürülebilirliği ve çevreye olan zararsız etkisi nedeniyle yenilenebilir enerji kaynaklarına dünya çapında bir yönelim söz konusu olmuş ve yenilenebilir enerji alanında çok büyük yatırımlar yapılmıştır. Dünya Enerji Konseyi (DEK) (World Energy Council)’nin 2021 Yenilenebilir Enerji Küresel Durum Raporuna göre, Yenilenebilir enerji kaynaklarına yapılan küresel yatırımlar 2020'de toplam 303,5 milyar ABD dolarına ulaşmıştır. Gelişmekte olan ülkeler ise yenilenebilir enerji yatırımında 153,4 milyar ABD dolarına ulaşmıştır. Yapılan bu yatırımların 148,6 milyar ABD doları güneş ve rüzgâr enerjisine yapılarak yenilenebilir enerji yatırımlarının neredeyse yarısını oluşturmuştur [2]. Uluslararası Enerji Ajansının (UEA) Dünya Enerji Yatırımı 2022’e göre, yenilenebilir enerji kaynakları, toplam enerji sektörü yatırımının %80'inden fazlasını oluşturduğunu, güneş enerjisi,

57/89

bu yatırımların neredeyse yarısını oluşturduğunu ve 2022'de yenilenebilir enerji kaynaklarına yatırımın 1,4 trilyon ABD dolarını aşması beklendiğini raporlamıştır [3]. Dahası DEK’e göre; elektrik enerjisi talebi 2060 yılına kadar iki katına çıkacağı ve elektrik enerjisi üretimi yenilenebilir kaynaklardan üretilmesi için uygun politikalar çıkarılarak önemli yatırımlar yapılacağı, yapılacak bu yatırımların da liderliğini güneş ve rüzgâr enerjilerinin yapacağı tahmin edilmektedir [2]. Güneş ve rüzgâr enerjisinde yaşanan bu olumlu yatırım artışları daha fazla enerji tesisinin kurulumunu artırmakta bu da bu tesislerin merkezi şebekelere entegrasyonunu gerektirmektedir.

Ancak, PV santrallerin hava koşullarına bağımlılığı nedeniyle panellerde elektrik elde edimi ve dağıtımı zor olmaktadır. Gün boyunca güneş ışınımı yoğunluğunun istikrarsız doğası, PV güç üretiminde dalgalanmalara neden olmaktadır [4]. PV güç üretimindeki beklenmedik bu dalgalanmalar, santrallerin ya aşırı elektrik üretmesine ya da hiç elektrik üretmemesinden dolayı şirketlerin ek elektrik satın almasına neden olabilmektedir [5]. Sonuç olarak, PV gücünün yüksek entegrasyonu, yaşanan dalgalanmalar (aşırı elektrik üretimi veya elektrik üretilmemesi) nedeniyle mevcut şebeke sistemlerinin çalışması için birçok yeni sorunları da beraberinde getirmektedir [6]. Bu sorunlar, PV güç kaynağının meteorolojik koşullara duyarlılığını, yüksek kurulum maliyetlerini ve elektrik üretiminin kesintisini içerir [7]. Yaşanan bu sorunlara PV güç santrallerinden üretilen enerjinin depolanması bir çözüm olarak görülürken, sistemi önceden kontrol için mevcut enerjinin kesin bir tahmini gerekmektedir [4]. Bu duruma etkili bir çözüm ise PV güç çıkışı için doğru bir tahmin modeli bulmaktır.

Bu çalışmanın amacı makine öğrenimi ile PV çıkış gücünü kısa dönemli (10 dakika) olarak tahmin etmektir. Çıkış gücü tahmin etmek için literatürde birçok çalışma vardır. Bu çalışmada amaç literatürde kullanılan yöntemlerin geç öğrenme, aşırı öğrenme gibi iki temel dezavantajının üstesinde gelip tahmini daha kolay ve yüksek doğrulukta yapmaktır. Bu çalışmada giriş parametrelerini azaltmak için her PV santralde ulaşılabilen güneş ışınımı, güneşlenme süresi, rüzgâr hızı, ortam sıcaklığı, panel yüzey sıcaklığı, bulutluluk oranı, DC akım, gerilim ve bağıl nem 9 özellik(parametre) kullanılarak hava tipi modellenmiş ve 4 hava tipi modeli oluşturulmuştur. Bu hava tipi modelleri de kullanılarak GD-RVFLN yardımıyla PV çıkış gücü tahmini yapılmaya çalışılmıştır.

Şekil 3: Güneş ölçüm istasyonun yandan görünümü

Güneş enerjisinden yararlanan sistemler, yatırımcı tarafından uygun maliyetli olarak kabul edilmeyen yüksek bir ilk yatırım maliyetine sahip olabilmektedir. Bu amaçla, bölgedeki güneş enerjisi projelerine para yatırmadan önce bölgenin güneş enerjisi potansiyelini değerlendirmek çok önemlidir. Dünya çapında güneş enerjisi ile ilgili temel bilgileri bilmek, herhangi bir bölgedeki güneş enerjisi uygulamaları için araştırma, planlama ve tasarım konusunda son derece yardımcı olacaktır.

Türkiye’de güneş ışınım verileri meteorolojik genel müdürlüğü (MGM) tarafından ölçülmektedir. Bu verilerin ölçümü için MGM illerde ölçüm istasyonları kurmuştur. Ekonomik ya da MGM yapısındaki değişiklerden ötürü son yıllarda Türkiye’deki bazı illerde güneş ışınımı ile ilgili ölçüm istasyonların veri sağlamamaktadır [41]. Bu illerden bir tanesi olan Diyarbakır’da 2009 yılından itibaren bu veriler sağlanmaktadır. Belirtilen nedenlerden ötürü şekil 3’te gösterilen Dicle Üniversitesi bünyesindeki ölçüm istasyonu Diyarbakır iline ait güneş ışınım verileri ölçen tek istasyon konumundadır. Sonuç olarak Diyarbakır ve çevresinde ışınım verilerini sağlamasından ötürü şekil 3’te gösterilmiş bahsi geçen ölçüm istasyonu hem akademik araştırmalar hem de ticari uygulamalar açısından büyü önem taşımaktadır.

Bu çalışmada, Türkiye’de bulunan ve konum itibariyle güneş enerjisi açısından oldukça yüksek bir potansiyele sahip olan Diyarbakır iline ait güneş enerjisi verileri analiz edilmiştir. Daha sonra ilin ışınım değerleri ve güneşlenme süreleri güneş enerjisi açısından enerji üretimine elverişli olup olmadığı incelenmiştir [5]. Bu çalışmadaki diğer bir amaç ise Diyarbakır ili için güneşlenme süresi ve global ışıma verilerini elde ederek hem ticari çalışmalara hem de literatüre katkı sunmaktır.

1.1. PV Çıkış Gücü Tahmin Yaklaşımları

PV güç çıkışı için doğrudan ve dolaylı olmak üzere iki ana tahmin yaklaşımı vardır [8, 9, 10, 11]. Doğrudan tahmin yöntemleri [12-13], PV güç çıkışını tahmin etmek için genellikle meteorolojik ve PV çıkış gücü gibi geçmiş verileri kullanır. Bu yöntem için kullanılan teknikler [14-17], YSA, hibrit YSA, çok katmanlı algılayıcı sinir ağı (MLPNN), tek örtülü katmanlı ileri beslemeli sinir ağı (single shrouded layer feed-forward neural network) (SLFN), tekrarlayan sinir ağı (RNN), ileri beslemeli sinir ağı (FFNN), Geri Beslemeli sinir ağıdır (FBNN), aşırı öğrenme makine (ELM) ve destek vektör regresyonu (SVR) gibi yöntemlerdir. Doğrudan yöntemlerin dolaylı yöntemlere kıyasla gün öncesi PV güç çıkışı tahmini açısından daha iyi sonuç verdiği kanıtlanmıştır [18]. Dolaylı tahmin yöntemleri [8, 19, 20] güneş radyasyonu, ortam sıcaklığı gibi meteorolojik parametreleri ve çevresel parametreleri matematiksel modeller kullanarak tahmin eder. Dolaylı tahmin yöntemlerindeki sonraki adım eşdeğer diyot modeli, basit verimlilik modeli ve Sandia modeli gibi modelleri kullanarak PV çıkış gücü tahmin etmektir. Dolaylı tahmin için kullanılan teknikler [21-22] Sayısal Hava Tahmini (SHT), uydu gökyüzü görüntüsü, hibrit yapay sinir ağı ve istatiksel tabanlı yöntemlerdir.

Yukarıda isimleri verilen modeller PV güç çıkışı tahminlemesinde faydalı olsa da her modelin kendi zorlukları vardır. Değinilen bu modellerden SVR modeli [23-25] hem büyük hesaplama sürecine ihtiyaç duyar hem de büyük veri kullanımı durumlarına yanıt vermez. Öte yandan, YSA modeli [26-27], iyi bir performans göstermesi için kullanıcıların ağ topolojisini ve parametreleri belirlemesine ihtiyaç duyar.

58/89

Kısacası tahminleme için kullanılan modeller doğru kullanılmadığı takdirde iyi sonuçlar vermeyebilir. Bu yüzden tahminleme için iyi bir model seçimi gerekmektedir. Literatürde PV çıkış gücü tahminlemesi için oldukça fazla sayıda çalışma vardır. Bu kapsamda kısa vadeli PV çıkış gücü tahmini için yapılan bilimsel çalışmaların bir kısmı aşağıda verilmiştir.

Zhou ve ark. [18], PV çıkış gücünü tahmin etmek için aşırı öğrenme makinesi (ELM), genetik algoritma (GA) ve özelleştirilmiş Benzer Gün Analizi (BGA) tabanlı bir hibrit model (BGA-GA-ELM) geliştirilmiştir. BGA için beş meteorolojik girdiye dayalı olarak farklı günler arasındaki benzerliği ölçmek için Pearson Korelasyon katsayısı kullanılmış. Yüksek korelasyona sahip parametreler ELM için eğitim seti olarak seçilmiştir. Daha sonra tahmin doğruluğunu iyileştirmek için ELM’ de gizli önyargı ve girdi ağırlığının optimal değerleri GA tarafından belirlenmiştir. Önerilen tahmin modelinin performansı, regresyon katsayısı (R2), ortalama mutlak hata (OMH) ve normalleştirilmiş ortalama karekök hata (nOKH) ile değerlendirilmiştir. Sonuçlar, BGA-GA-ELM modelinin gün öncesi PV çıkış gücü tahmininde daha yüksek doğruluk ve kararlılığa sahip olduğunu göstermiştir. VanDeventer ve ark. [28], kısa vadeli PV güç tahmini için Genetik algoritmaya dayalı bir support vektör makinesi (GASVM) modeli geliştirdiler. GASVM modelinde, başlangıçta SVM sınıflandırıcı olarak geçmiş hava durumu verileri sınıflandırılmış, daha sonra genel uyum tekniği kullanılarak genetik algoritma (GA) tarafından optimize edilmiştir. Önerilen GASVM modelinin tahmin doğruluğu, OKH ve OMYH temelinde değerlendirilmiştir. Deneysel sonuçlar, önerilen GASVM modelinin, OKH değerinde yaklaşık 669.624W ve OMYH hatasının %98,76’lık farkla geleneksel SVM modelinden daha iyi performans gösterdiğini göstermiştir. Massaoudi ve ark. [29], Bayesian Ridge Regresyon (BRR) modelini, Sürekli Dalgacık Dönüşümünü (SDD) ve Gradient Boosting kategorik özelliklerle (Catboost) birleştiren bir BBR-SDD-Catboost hibrit modelini önermişlerdir. Bu modelde, en alakalı özellikleri seçmek için bir Bayesian Ridge Regresyon modeli kullanır. Ardından, SSD ayrıştırma tekniği seçilen özellikleri bir zaman-frekans alanına dönüştürür. Catboost modeli, bir gün öncesi için tahmin çıktısını üretir. Son olarak sonuçlar, ters SSD kullanılarak çıkarılır. Hibrit model, OKH=3.81 ile kısa vadeli 24 saat ilerisi tahmininde doğru sonuçlar elde etmiştir. Gutiérrez ve ark. [30], fotovoltaik güç üretimini tahmin etmek için Makine Öğrenimi ve Yapay Zekâ yöntemleriyle uyumlu tekniklerden dört tahmin modeli önermiştir: K-En Yakın Komşular (KNN), Doğrusal Regresyon (LR), Yapay Sinir Ağları (ANN) ve Destek Vektör Makineleri (SVM). Elde edilen sonuçlar, dört yöntemin yeterli fotovoltaik enerji üretimi tahminleri ürettiğini ancak OKH ve OMH'ye göre en iyi tahmin YSA tahmin modeline ait olduğunu göstermiştir. Afzal ve ark. [31], termal faktörlere dayalı enerji tesisin üretimini tahmin etmek için Ridge, Lineer regresör (LR) ve destek vektör regresörü (SVR) algoritmalarını kullanmışlardır. Kombine çevrim santralini enerji çıktı verileri egzoz vakumu, ortam sıcaklığı, bağıl nem ve ortam basıncı gibi termal girdi değişkenlerinin bir faktörü olarak toplanmıştır. İlk olarak, Ridge algoritması tabanlı modelleme ayrıntılı olarak gerçekleştirilmiş ve ardından SVR (LR) olarak adlandırılan SVR tabanlı LR, SVR tabanlı radyal tabanlı fonksiyon—SVR (RBF) ve SVR tabanlı polinom regresyon SVR (Poly.) algoritmalar uygulanmıştır. Enerji çıkış verilerinin modellenmesinden, diğer algoritmalara kıyasla çok yakın tahminler sağlamada SVR'nin (RBF) en uygun olduğu

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction görülmüştür. Elde edilen SVR (RBF) eğitimi R2 =0,98 iken diğer tüm eğitimler 0,9-0,92 olmuştur. Khalyasmaa ve ark. [32], meteorolojik verilere dayalı fotovoltaik enerji santrallerinin üretim tahmin için Random Forest regresörü, Gradient Boosting Regressor, Lineer Regresyon ve Karar Ağaçları regresyonu dahil olmak üzere farklı makine öğrenimi algoritmalarının uzaktan elde edilen verilere uygulanmasını incelemişledir. Hiper parametre optimizasyonu ve algoritmaların ardışık düzeni ile ilgili hesaplama deneylerine dayanarak, PV santral enerji çıktısı tahmin sisteminin optimal yapısı ve ayarları, algoritmaların her biri için uygulama kısıtlamaları ile birlikte belirlenip uygulanmıştır. Bu hesaplamalar sonucu performans iyileştirme Lineer Regresyon için %55'ten %94'e ve karar ağaçları için %88'den %91'e, topluluk algoritmalarının doğruluğu ise, Random Forest regresörü, Gradient Boosting Regressor gibi, önemli ölçüde değişmediği görülmüştür. Chahboun ve Maaroufı [33], Fotovoltaik gücün saatlik tahmini için birkaç güncel makine öğrenme algoritmasının performansı karşılaştırmışlardır. Kullanılan yöntemler, bayesian regularized sinir ağları, knearest neighbors, gradient boosting, random forest, support vector regresyon ve multivariate adaptive regression olmuştur. Daha sonra bu yöntemler R2, OKH ve OMH ile değerlendirilmiştir. Sonuçlar, bayesian regularized sinir ağlarının en iyi tahmin doğruluğuna R²=99,99% sahip olduğunu göstermiştir. Bu çalışmada önerilen yöntem, bir tek örtülü katmanlı ileri beslemeli sinir ağı (single shrouded layer feed-forward neural network) (SLFN) türü olan Rastgele Vektör Fonksiyonel Bağlantı(link) Ağ (Network) olarak adlandıran RVFLN’nin gerekli algoritmalara geliştirmiş hali olan Robust Regularized Random Vector Functional Link Network (GD-RVFLN) modelidir. Yapılan diğer literatür araştırmalarında RVFLN modelini kullanarak PV güç tahmini yapan iki çalışmaya rastlanılmıştır. Arpit ve Tripathi [34], PV gücünü tahmin etmek için tek örtülü katmanlı ileri beslemeli sinir ağı (single shrouded layer feed-forward neural network) (SLFN), rastgele ağırlıklı tek örtülü ileri beslemeli sinir ağı (random weight single shrouded layer feed-forward neural network) (RWSLFN) ve rastgele vektör fonksiyonel bağlantı ağı (random vector functional link) (RVFL) olmak üzere üç modeli karşılaştırmıştır. Bu karşılaştırma sonucunda RVFL’ nin diğer RWSLFN' lerden ve SLFN' lerden daha iyi performans gösterdiği tespit edilmiştir. Mishra ve ark. [35], güneş ışınımı, PV çıkış gücünü ve rüzgâr hızının tahmin etmek için Gürbüz Düzenlileştirilmiş Rastgele Vektör Fonksiyonel bağlantı (GD-RVFL) ağı olarak bilinen ultra kısa bir Tahmin modeli önermişlerdir. Önerilen metodolojinin doğruluğunu elde etmek için test, farklı atmosfer koşullarında çeşitli zaman aralıklarında gerçekleştirilmiştir. Önerilen yönteminin diğer modellere (yani Rastgele vektör fonksiyonel bağlantı (RVFL) ve Robust Extreme learning machine (R-ELM) vb.) kıyasla çok üstün performans gösterdiği görülmüştür.

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 GD-RVFL ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli, 10 farklı makine öğrenimi yöntemi olan BRR, LR, GPR, SVM, ELM, YSA, GBR, RFR, LAR ve RR yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir.

Bu çalışmanın yapısı sırasıyla şu şekilde sıralanmıştır: Bölüm 2, bölgenin konumu, iklimi hakkında ve data seti hakkında bilgi vermektedir. Önerilen yöntem ve karşılaştırma

59/89

yöntemleri açıklanmıştır. Bölüm 3’te tahmin sonuçları verilip değerlendirilmiştir. Bölüm 4’te çalışma sonuca bağlanmıştır.

2. Materyal ve Metot

2.1. PV Santral Bu çalışmadaki tarihsel veriler Şekil 1’de gösterildiği üzere,

Diyarbakır ili Dicle Üniversitesi kampüsünde bulunan bir PV elektrik santralinden [36-38] ve meteorolojik istasyondan [3942] Mayıs 2019-Nisan 2022 tarihleri aralığında elde edilmiştir.

Bu işlem tamamlandığında modelin başarısı veya genel hatası (E), eşitliğindeki gibi k kadar ortalaması alınarak bulunur. Bu çalışmada k=10 alınarak veri seti için veri setinin %75’i eğitim verisi (Mayıs 2019- Temmuz 2021), %25’i ise test verisi (Ağustos 2021- Nisan 2022) olarak kullanılmıştır.

Şekil 3 Mayıs 2021-Nisan 2022 tarihleri arası her ayın 2’sindeki PV güç çıkış eğrilerini göstermektedir. PV güç çıkış eğrilerindeki dalgalanmaların nedeni PV santrallerinin meteorolojik koşullara bağımlılığından kaynaklanmaktadır.

300 200 100

PV ÇIKIŞ GÜCÜ (kW) 05:30 07:00 08:20 09:40 11:10 12:30 13:50 15:20 16:40 18:10 19:30

Şekil 1: PV güç istasyonunun veri toplama sistemi [36]

2.2. Güneş ölçüm istasyonu

Bu çalışmadaki girdi verileri güneş ışınımı(R), ortam sıcaklığı(T), panel yüzey sıcaklığı, güneşlenme süresi, bulutluluk oranı, Rüzgâr hızı (W), DC akım, gerilim ve bağıl nem (H) parametreleridir. Bu veriler, şekil 2’de gösterilen, Diyarbakır (Enlem: 37o55’ D, Boylam: 40o14’ K) Dicle Üniversitesi Bilim ve Teknoloji Uygulama ve Araştırma Merkezi (DÜBTAM) binası çatısında bulunan güneş ölçüm istasyonundan alınmıştır. Bu istasyonda elde edilen veriler 10 dakikalık periyotlarla elde edilmiştir. Bu veriler üzerinde K katlamalı çapraz doğrulama tekniği uygulanmıştır.

Şekil 2: Dicle Üniversitesi güneş ölçüm istasyonu [40]

Bu teknikle, modellerin çalışma sürecinde eksik ve aşırı öğrenmeyi tespit edip önleyerek test aşamasında en iyi modeli oluşturmayı amaçlamaktadır. Bu teknikte veri seti eğitim seti ve test seti olarak ayrılmış, eğitim seti k adet alt kümeye bölünmüştür. Bu işlem k- kez tekrarlanır. Her tekrarda sıradaki alt küme eğitim setinden çıkarak test seti olarak kullanılır.

(1)

ZAMAN

2.04.2022 2.03.2022 2.02.2022 2.01.2022

2.12.2021 2.11.2021 2.10.2021 2.08.2021

2.07.2021 2.06.2021 2.05.2021

Şekil 3: Her ayın 2’sinde PV çıkış gücü eğrileri

2.3. Kanonik Korelasyon Analizi (KKA) ile Hava Tipi Sınıflandırması

KKA yöntemi, girdi parametrelerini hava tipine göre sınıflandırmak için kullanılmıştır. Kanonik korelasyon analizi, iki değişken grubu arasındaki ilişkileri belirlemek ve ölçmek için kullanılan istatiksel bir tekniktir [43,44]. Kanonik korelasyon analizi kümeler içindeki ve kümeler arasındaki değişkenliği en iyi açıklayan bir dizi kanonik değişkeni, her bir küme içindeki değişkenlerin ortogonal doğrusal kombinasyonlarını belirlemeye yarar. [45]. Bu çalışma Kanonik korelasyon analizine bağlı olarak, bir günün gündüz dilimlerini yarımşar saatlik periyodlara böler ve ardından her yarımşar saatlik periyodu meteorolojik koşullara göre sınıflandırır ve etiketler. Burada dikkat edilmesi gereken husus, zaman aralığı uzunluğu yerel meteorolojik koşullara bağlı olduğu için zaman aralığı uzunluğu tüm bölgeler için farklılık göstermektedir. Genellikle, zaman aralığının uzun olması, meteorolojik koşulların stabil olma durumuna bağlıdır. Bu çalışmada, ilk adımda belli bir günün gündüz dilimleri yarımşar saatlik zaman aralıklarına bölündü. İkinci adımda, her bir yarımşar saatlik zaman aralığına 4 farklı hava tipi etiketleri verildi. Üçüncü adımda bu hava tiplerinin yarımşar saatlik zaman aralıkları 4 farklı PV güç çıkış seviyesine göre sınıflandırıldı. Etiketler ve bunlara karşılık gelen sınıflandırmalar sırasıyla şu şekildedir; PV güç üretimlerine göre Hava Tipi A (HT-A) en uygun, Hava Tipi B (HT-B) en uygun ikinci hava tipidir ve bu şekilde en az uygun tip olan Hava Tipi D (HT-D)’e kadar devam eder. Çalışmada belli bir tarih ve saatin hava tipini belirlemek için önceki yıllara ait en yakın benzer günlerden alınan zaman aralığındaki veri kümesinin bir bölümü seçildi. Bu veri kümeleri, 10 dakikalık

60/89

PV güç çıkış verileri ile güneş ışınımı, ortam sıcaklığı, panel yüzey sıcaklığı, güneşlenme süresi, bulutluluk oranı, rüzgâr hızı, DC akım, gerilim ve bağıl nem verilerinden oluşmaktadır. Tablo 1’de PV güç çıkışlarının A-D hava tiplerine göre dört seviyede sınıflandırılabileceği gösterilmektedir.

Tablo1: PV güç çıkış seviyesine göre dört tip hava durumu

sınıflandırması

Hava Tipi

Formül

Hava Tipi A

>

Hava Tipi < ???????????????????????? ≤ ????????????????????????????????????

B

Hava Tipi C

≤ ????????????????????????????????????

Hava Tipi D

≤

Bu çalışmada kullanılan hava tipi sınıflandırma yöntemi diğer geleneksel yöntemlere göre kullanımı daha kolaydır ve istenildiği takdirde zaman aralıkları uzunluğuna göre dörtten daha az veya daha fazla seviyeye değiştirilebilir.

∑ ????????????????????????

???????????????????????? ∈ ????????????

(2)

Denklem 2'de T, 2 Haziran 05:30- 06:00 gibi yarımşar saatlik bir zaman aralığında seçilen veri setini ifade eder. Sırasıyla; n veri noktalarının sayısını, ???????????????????????? PV çıkış gücünü (???????????????????????? ∈ ???????????? ), AVGy veri setinin ortalama PV çıkış gücünü temsil eder ve MAXy ve MINy ise sırasıyla seçilen veri setinin maksimum PV güç çıkışını ile minimum PV güç çıkışını temsil eder.

Bu çalışmanın algoritması Şekil 4’de gösterildiği gibidir. Bu çalışmada Gürbüz Düzenlenmiş Random Vektör Fonksiyon ağı (GD-RVFLN) modelinin işlevi, hava tipini belirleyen verileri girdi olarak kullanıp PV çıkış gücünü tahmin etmektir. Bu çalışmada ilk olarak, Kanonik Korelasyon Analizi kullanarak girdi parametreleri ile PV güç çıktısı arasındaki korelasyonlar belirlendi, son günlere ait her yarım saatte bir PV güç çıkış verileri ile bu verilere karşılık gelen meteorolojik veriler veri setleri olarak toplandı daha sonra, geçmiş veri setlerinden öznitelikler çıkarıldı, sonra her yarım saatlik dilimlere hava tipi etiketleri verildi ve ardından GD-RVFLN modeli eğitildi (Şekil 5).

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

Şekil 5'te gösterilen tahmin süreci, eğitim ve tahmin olmak üzere iki adımdan oluşur.

Şekil 5: Hava tipi sınıflandırmasına dayalı PV tahmin yöntemi 2.4. Orijinal Rastgele Vektör Fonksiyon Bağlantı (RVFL) Ağ Modeli

Rastgele Vektör Fonksiyon Bağlantı (RVFL) ağı, sınıflandırma, görsel izleme, regresyondan tahmine kadar çeşitli alanlardaki üstün performansı nedeniyle araştırmacılar arasında önemli ölçüde ilgi görmüştür. RVFL, gizli nöronların ağırlıklarının ve sapmalarının uygun bir aralıkta rastgele oluşturulduğu ve çıktı ağırlıkları basit bir kapalı form çözümü ile hesaplanırken sabit tutulduğu tek katmanlı ileri beslemeli bir sinir ağı (SLFN)’dır [46, 47]. RVFL ağında giriş katmanından çıkış katmanına doğrudan bağlantılardan büyük ölçüde yararlanır. Doğrudan bağlantıların işlevi, rastgeleleştirme için bir düzenleme yapmasıdır. Ayrıca Extreme Learning Machine (ELM) gibi diğer muadillerine kıyasla RVFL ağı, giriş katmanı ile gizli katman arasındaki ağırlıkları rastgele ataması ve ayarlama işlemine ihtiyaç duymaması nedeniyle model karmaşıklığının düşük tutulmasına yardımcı olur [48]. Şekil 6 Hava tipine dayalı RVFL ağ modelini göstermektedir.

Şekil 4: KKA’ya bağlı hava tipi sınıflandırma süreci

61/89

Giriş Katmanı

HT-A

HT-B HT-C

Gizli Katman

G1

G2

Çıktı

GL HT-D

Şekil 6: Hava tipi sınıflandırmasına dayalı PV tahmin yöntemi

Eğitim örneklerinin belirli bir veri seti göz önünde bulundurulduğunda ???????????? = {(????????????????????????, ????????????????????????|???????????? = 1, … , ????????????)} ⊂ ???????????????????????????????????? ???????????? , RVFLN, aşağıdaki gibi L gizli düğümüne sahip özel bir tek katmanlı ileri beslemeli bir sinir ağı türü olarak tanımlanabilir.

????????????(????????????) = ∑ ????????????????????????ℎ????????????(????????????????????????, ????????????????????????, ????????????)

(3)

(3) nolu denklemde vj ve bj, sırasıyla gizli düğüm parametreleri

olan girdi ağırlığı ve gizli katman düğüm sapmasını ifade eder.

βj, j’ninci gizli katman düğümü ile çıktı düğümü arasındaki çıktı

ağırlığını ve hj, aktivasyon fonksiyonunu temsil eder. Genel

olarak, aşağıdaki radyal tabanlı fonksiyon kullanılabilir.

ℎ???????????? = ℎ (‖????????????−????????????????????????????????????????????????‖)

???????????????????????? ∈ ????????????????????????, ???????????????????????? ∈ ????????????+

(4)

N örnek (xi, yi) ⊂ Rd ×R için, karesel hataların toplamı olarak

kullanılır.

???????????? = ∑, ‖∑ ????????????????????????ℎ????????????(????????????????????????, ????????????????????????, ????????????) − ????????????????????????‖

(5)

????????????=1 ????????????=1

RVFLN'de gizli düğüm parametreleri olan vj ve bj rastgele

atanabilir, burada ağ yaklaşımı performansını sağlamak için

yalnızca çıkış katmanının doğrusal parametrelerinin analitik

olarak hesaplanması gerekir. Böylece denklem (5) aşağıdaki

gibi ikinci dereceden optimizasyon problemi olarak

tanımlanabilir.

???????????? arg min = ‖???????????? − ????????????‖2 β

(6)

Burada

ℎ(????????????1, ????????????1, ????????????1 ) ⋯ ℎ(????????????????????????, ????????????????????????, ????????????1 )

=[

⋱

]

(7)

ℎ(????????????1, ????????????1, ???????????????????????? ) ⋯ ℎ(????????????????????????, ????????????????????????, ???????????????????????? ) ????????????

???????????? = [ ⋮ ]

Ve ???????????? = [ ⋮ ]

(8)

G, gizli katman çıktısıdır. Y ve β sırasıyla örneklenen çıktı

ve çıktı ağırlığını temsil eder. Genel olarak, optimal çıktı

ağırlığı β aşağıdaki gibi tanımlanabilir.

???????????? = ????????????+????????????

(9)

Burada G+, G matrisinin Moore-Penrose'a göre

genelleştirilmiş transpozesidir, yani tersidir.

2.5. Regularized RVFLN (Düzenlenmiş RVFL Ağı)

Düzenlenmiş (D)-RVFL ağının avantajı, modelin etkili bir

şekilde uyum göstermesinin yanında çıktı ağırlığının

büyüklüğünü azaltarak model karmaşıklığını da azaltmasıdır.

Normal düzenlenmiş RVFLN, hedef fonksiyonunda

düzenlileştirilmiş terimi (l2 normu) tanıtan ridge regresyon

yöntemi [49] kullanılarak oluşturulabilir. Belirli bir N farklı

örneklem için (xi, yi), l2 normlu D-RVFL ağı denklem 10’daki

gibi tanımlanabilir.

????????????????????????: ????????????

2,

????????????. ????????????: ℎ(????????????)????????????

(10)

= ???????????????????????? − ????????????????????????, ∀????????????.

Burada C, eğitim hatasını ve çıktı ağırlık normunu

dengeleyen düzenlileştirme parametresini temsil eder.

∑?????????????????????=??? 1 ????????????????????????2 Ampirik kaybı ‖????????????‖22 yapısal kaybı temsil eder.

Düzenlileştirilmiş en küçük kareler algoritmasına göre, çözüm

β aşağıdaki gibi ifade edilebilir:

(????????????

???????????????????????? (???????????????????????????????????? {

) ????????????????????????????????????,

+ ????????????????????????)−1 ????????????,

???????????? ≥ ???????????? ???????????? < ????????????

(11)

Denklem (11) düzenlenmiş RVFLN' nin çevrimdışı

öğrenme formu olarak ifade edilir. Çevrimiçi öğrenme formu

ise, eşitlik 12’de tanımlanan özyinelemeli bir çözüme atıfta

bulunur.

{????????????????????????????????????????????????

= =

????????????????????????−1 ????????????????????????−1

+ ???????????????????????????????????????????????? + ???????????????−????????? 1????????????????????????????????????(????????????????????????

???????????????????????? ????????????????????????−1 )

(12)

Burada Gk, k’nıncı örneklem için oluşturulmuş gizli

katman çıktısını belirtir. Modelin başlangıç değerleri

aşağıdaki gibidir:

{????????????0

????????????0???????????? ????????????0

(13)

????????????0 = ????????????0−1????????????0?????????????????????0???

Gizli düğüm sayısından daha fazla sayıda örnek gerektiren

geleneksel RVFLN’ nin aksine, düzenlileştirilmiş RVFLN,

modeli az miktarda örnek kullanarak başlatabilir. Ayrıca,

düzenlileştirilmiş RVFLN' nin çıktı ağırlığı normu nispeten

küçük olduğundan, model iyi performans göstermektedir.

Ancak aykırı değerli verilerle karşılaştığında, düzenlenmiş

RVFLN' nin kalitesi bozulabilir ve model uyumsuzluğuna yol

açabilir. Bu yüzden C düzenleme parametresini tam olarak

kullanmayabilir. Bu nedenle, RVFLN 'nin geliştirilmesine

ihtiyaç duyulmuştur. Aşağıdaki bölümde, sağlam

62/89

düzenlileştirilmiş (Robust Regularized) RVFLN sunulmaktadır [50].

2.6. Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı Ağı (GD-RVFLN)

RVFLN modelinin sağlamlığını iyileştirmek için kernel

density estimation (NKDE) yöntemi ve ağırlıklı ampirik kayıplı

ridge-tip düzenlenmiş RVFL ağı yöntemleri çalışmaya dahil

edilmiştir. Gürbüz Düzenlenmiş RVFLN yönteminde, ampirik

kayıp ağırlıkları, NKDE yönteminin tahmin ettiği örnek

güvenilirliğe göre belirlenmektedir. Böylelikle yüksek ve

düşük örnek güvenirliğe sahip kayıp ağırlıklarının değerlerinin

düşürülmesi ve artırılması istenmeyen aykırı değerlerin etkisini

azaltmakta veya ortadan kaldırmaktadır [51].

Bir optimizasyon yöntemi olan Robust regularized RVFLN

yöntemi, belirli bir N farklı örnek (xi, yi) için, aşağıdaki

matematiksel formülle ifade edilebilir.

????????????min:

(14)

????????????. ????????????: ℎ(????????????????????????)???????????? = ???????????????????????? − ????????????İ, ∀.

Bu formüldeki pi, i'inci örneğin ampirik kayıp ağırlığını ifade eder. β optimal çıkış ağırlığıdır. C, düzenleme parametresidir ve ε, artık hatadır. Karush-Kuhn-Tucker (KKT) teoremine göre, yukarıdaki optimizasyon formülü matematiksel olarak aşağıdaki ikili optimizasyon formülüyle ifade edilebilir.

????????????ℓ2(????????????, ????????????, ????????????)

∑?????????????????????=??? 1 ????????????????????????2

(15)

− ∑?????????????????????=??? 1 ????????????(ℎ(????????????)???????????? − ???????????? + ????????????)

Burada i’ninci giriş örneği için αi, Lagrange çarpanı ve h

aktivasyon fonksiyonudur. Burada, β, ε, α değerleri, yukardaki

ikili optimizasyon formülünün kısmi türevi alınarak

bulunabilir. Dolayısıyla, formül şu şekilde türetilebilir:

= ????????????????????????????????????

(16)

= ????????????????????????

(17)

????????????ℓ2 ????????????

= 0 → ???????????? − ???????????? + ????????????

=0

(18)

Burada, P ampirik kayıp ağırlık matrisini ifade eder. Farklı

büyüklükteki eğitim örneği setleri için yukarıdaki formüllere

aşağıdaki alternatif çözümler elde edilebilir. N <L olduğu

durumda formül (18)’den. (19) formül elde edilir:

− + = 0

(19)

(17) ve (18) formüllerden formül (20) ulaşılır.

(???1????????? + ????????????????????????????????????) ???????????? =

(20)

(20)’deki α’yı yalnız bırakır 16. Formüldeki yerine koyarsak formül (21) elde edilir.

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

(21)

N> L olduğu durumda (17)’deki α değerini (18)’de yerine

yazıldığında formül (22) elde edilir.

???????????? = ????????????????????????????????????????????????

(22)

(22)’deki Pε aşağıda gösterildiği gibi yalnız bırakılır.

(23)

(23), (19)’da yerine yazılarak (24) elde edilir.

(24)

Böylece,

(25)

(25)’deki β yalnız bırakıldığında aşağıdaki (26) elde edilir.

)

(26)

Sonuç olarak, yukardaki çıktı ağırlıkları β kısaca aşağıdaki formüldeki gibidir.

???????????? ???????????? { (???1?????????

,

+ ????????????????????????) ????????????????????????,

???????????? < ???????????? ???????????? ≥ ????????????

(27)

i=1, … ,N sayıda örneklem için Ampirik kayıp ağırlığı pi, C parametresi hariç optimal çıkış ağırlığı β çözümü için oldukça önemli bir parametredir. Çünkü model sağlamlığının iyileştirilmesi pi’nin hesaplanmasıyla elde edilir. Burada pi örneklerin çözüme katkısıdır. Dolayısıyla, amaca ulaşmak için bu katkının örneğin güvenirliliğine yakın olmasına izin verildi. Örnek güvenirliliği, artık olasılık yoğunluk fonksiyonu kullanılarak NKDE yöntemi ile tahmin edilebilir. Bu yolla, düşük yoğunluklu aykırı değerler ayarlanarak çözüme küçük ya da sıfır katkı sağlanır. Artık olasılık dağılımı ise Robust regularized RVFLN yöntemindeki P’ nin bir birim matrisi olarak ayarlanması ile elde edilebilir. Yani;

???????????????????????? = ∑ ????????????????????????ℎ????????????(????????????????????????, ????????????????????????, ????????????????????????) − ????????????????????????

(28)

= 1, 2, … , ????????????

Daha sonra, artıkların olasılık yoğunluğu f(x), aşağıdaki gibi NKDE yöntemi ile elde edilir.

1 ℎ????????????

∑?????????=??? 1

????????????(????????????−ℎ????????????)

(29)

1 √2????????????

???????????? −21????????????2

(30)

63/89

Burada, sırasıyla ϕ, Gauss çekirdek fonksiyonu, ??????̂?????? artıkların standart sapmasını ve h=1.06 ??????̂??????????????????−1/5 tahmin edilen pencere genişliğini ifade etmektedir. Formül (27) kullanılarak, her artık hata εi’nin olasılığı, yani, f(εi) elde edilebilir. Diğer taraftan f(εj) fonksiyonu ile örneğin güvenilirliği doğru orantılıdır. Yani, f(εj)’nun değeri yüksek olduğunda örnek güvenirliği yüksek olur, küçük olduğunda örnek güvenirliliği de küçük olur. Bu nedenle, f(εj)’yi ayarlanarak doğrudan pi ağırlığı da ayarlanabilir.

Çıktı ağırlığı hesaplama formülü (27) ile numune ağırlığı değerlendirme denklemi formül (29) arasındaki yinelemeli değişim, yenilemeli olmayan yönteme göre daha doğru örnek güvenirliliği sağlamaktadır. Ancak yinelemeli değişim daha yüksek hesaplama yüküne sahip olduğu için bu çalışmada yinelemeli olmayan yöntem kullanılmıştır.

2.7. Karşılaştırma Yöntemleri

Bu çalışmada önerilen modelin doğruluğunu karşılaştırmak için 10 farklı makine öğrenme modeli kullanılmıştır. Bu modeller sırasıyla şu şekildir; 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). Tüm bu modeller kendi avantaj ve dezavantajlarına sahiptir. Bu çalışmada modellerin tahmin süreci şekil 3.5’te gösterildiği gibidir. Buna göre 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. Bu modeller, bu dört sınıfa ayrılan hava tipini giriş olarak kullanılarak kısa vadeli 10 dakika ileri zaman çözünürlüğüne sahip PV çıkış gücünü tahmin etmiştir.

3. Bulgular ve Tartışma

PV çıkış gücü, güneş radyasyonu, ortam sıcaklığı ve rüzgâr hızı vb. gibi meteorolojik parametrelerle yakından ilişkilidir. Bu çalışmada 10 dakika aralıklara sahip Makine öğrenimi modellerini test etmek için kullanılan eğitim verileri, Mayıs 2019 ile Nisan 2022 arasındadır. Bu çalışmada farklı modellerin tahmin performansını göstermek ve karşılaştırmak için her ayın 2’si seçildi.

3.1. Değerlendirme Endeksleri

Bir modelin tahmin doğruluğunu değerlendirmeye ve kıyaslamaya, standartlaştırılmış performans ölçüleri, yardımcı olur. Sırasıyla denklem (4.1) ve (4.2)'de gösterildiği gibi Ortalama Mutlak Yüzdelik Hata (OMYH/OMYH) ve Ortalama Karesel Hatası (OKH), bu çalışmadaki modellerinin doğruluğunu değerlendirmede kullanılmıştır: OMYH, tahminin doğruluğunu ölçen ve gerçek veri kümeleri için tahmin çeşitliliğini doğrulayan standart bir tahmin tekniğidir.

OMYH

1 N

|pGerçek(????????????) − PTahmin(????????????)| P????????????????????????????????????ç???????????? (????????????)

X100%

(31 )

Ortalama göreli hatanın aralıklarına karşılık gelen ifadeler sırasıyla şu şekildedir;

0≤ OMYH ≤10 mükemmel tahmin doğruluğu, 10≤ OMYH ≤20 iyi tahmin doğruluğunu, 20≤ OMYH≤50, idare eder, tahmin doğruluğunu, OMYH ≥ 50, ise yanlış tahmini ifade etmektedir.

OKH, tahmin edilen değerler ile gerçek gözlemler arasındaki karesel farklılıkların ortalamasının karekökünü kullanarak hatanın ortalama değerini tahmin eder. Bu nedenle, özellikle istenmeyen büyük sapmalarla baş etmede daha sağlamdır ve araştırmacıya aykırı değerleri belirleme ve ortadan kaldırma yeteneği verir.

OKH

√(N1

x ∑ (pTahmin(i)

PGerçek(i))

(32)

Yukardaki formüllere göre PTahmin ve PGerçek sırasıyla PV tahmin gücünü, ölçülen PV gücünü temsil eder. N, veri ölçümlerinin sayısıdır. OKH değeri 0≤ OKH <∞’a kadar değişebilir. Negatif eğilimli düşük değerler daha iyi performans gösterir. OKH=0 olma durumu modelin hatasız olduğunu gösterir.

3.2. Tahmin Sonuçları

Bu çalışmada kullanılan büyük veri kümesi, Dicle üniversitesi kampüsünde kurulu olan PV güç santralinden ve güneş istasyonundan toplanmıştır; makine öğrenimi modellerinin büyük verilere ihtiyaç duymasının nedeni test sonuçlarının diğer koşullara uygulanabilir olması için etkin bir şekilde eğitilmesi içindir. Bu aşamada, modellerin tahmin doğruluğunu değerlendirmede kullanmak için her ayın 2’si seçilmiştir.

3.2.1. Hava tipi sınıflandırmasına dayalı GD-RVFLN modeli tahmin sonuçları

Modelin performans doğruluğunu artırmak için klasik RVFLN modeli geliştirilerek oluşturulan ve hava tipi sınıflandırmasına dayalı olan GD-RVFLN modelini önerilmiştir. Önerilen bu modelin tahmin sonuçları göstermiştir ki Mayıs 2022-Nisan 2021 tarihleri arasındaki tüm aylarda GDRVFLN modeli 0≤ OMYH ≤10 aralığında değerler alarak mükemmel tahmin doğruluğuna sahiptir (tablo 4.1’de gösterildiği gibidir). Aşağıdaki şekiller GD-RVFLN modelinin mükemmel doğruluk gösterdiği ay ile nispeten daha az mükemmellik gösterdiği aylardan alınan ve bu modelin ölçülen gerçek PV çıkış gücü sonuçlarıyla karşılaştırıldığı tahmin sonuçlarını göstermektedir.

Tablo2: PV güç çıkış seviyesine göre dört tip hava durumu sınıflandırması

Tarih

OMYH (%) OKH

2.04.2022

3,919

1,646

2.03.2022

1,724

1,684

2.02.2022

1,687

1,680

64/89

2.01.2022 2.12.2021 2.11.2021 2.10.2021 2.08.2021 2.07.2021 2.06.2021 2.05.2021

9,767 8,886 1,895 2,254 1,861 1,811 4,741 5,407

1,398 1,445 1,732 1,499 1,345 1,664 1,570 1,358

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

Şekil 6: 02.03.2022 tarihinde ölçülen gerçek PV çıkış gücü ile GDRVFLN modelinin tahmin sonucunun karşılaştırması

Şekil 7: 02.02.2022 tarihinde ölçülen gerçek PV çıkış gücü ile GDRVFLN modelinin tahmin sonucunun karşılaştırması

Şekil 8: 02.01.2022 tarihinde ölçülen gerçek PV çıkış gücü ile GDRVFLN modelinin tahmin sonucunun karşılaştırması

Şekil 9: 02.12.2021 tarihinde ölçülen gerçek PV çıkış gücü ile GDRVFLN modelinin tahmin sonucunun karşılaştırması

Yukarıdaki şekillerde görüldüğü üzere önerilen GDRVFLN modeli gerçek PV çıkış gücü ile yüksek doğrulukta performans göstermiştir. Şekillere bakıldığında bazı aylar arasında ölçüm sonuçlarında uyumsuzluk görülmektedir. Örneğin, şekil 4.6 ile şekil 4.8’e bakıldığında, Ocak 2022 de modelin tahmin doğruluğu OMYH=9,76 iken, Şubat 2022’deki doğruluk değeri, OMYH=1,68 çıkmıştır. Şekil 4.8’deki grafiğe bakıldığında grafikte PV çıkış gücünde inişler çıkışlar görülmektedir ayrıca o gün PV çıkış gücünün en yüksek değeri yaklaşık 35 kW’tır. PV sistemleri büyük oranda meteorolojik koşullara bağımlıdır. Havanın bulutlu ya da yağmurlu olduğu günlerde PV çıkış gücü ya hiç üretilmemekte ya da düşük değerler üretmektedir bu da PV çıkış güç çıkışında iniş ve çıkışlara neden olmaktadır. Şekil 4.8’deki grafiğin inişli çıkışlı olmasının nedeni de bu durumdan kaynaklanmaktadır. Bu yüzden Ocak 2022 ile Şubat 2022 arasındaki tahmin sonuçların farkının yüksek olmasının nedeni Ocak ayının 2’sinde yaşanan hava durumunun tutarsızlığından kaynaklanmaktadır. Buna rağmen havanın kararsız olduğu günlerde bile GD-RVFLN modeli 0≤ OMYH ≤10 aralığında kalmaya devam ederek gerçek PV çıkış gücüyle yüksek benzerlik göstermiştir.

Hava tipi sınıflandırma yönteminin modellerde kullanılması çoğu makine öğrenimi modelinde kısa vadeli PV çıkış gücü tahmininin doğruluğunu artırdığı göstermiştir. Bununla birlikte hem hava tipi sınıflandırmasının hem de PV güç çıkış tahminin, güneş radyasyonu ile yüksek korelasyona sahip olduğu bilinmektedir. Dolayısıyla karasız hava koşullarında güneş radyasyonundaki yüksek dalgalanmalar modellerin doğruluğunu önemli ölçüde etkilemiştir. Şekillerden ve tablolardan (tablo 3 ve tablo 4) da anlaşıldığı gibi en iyi performans gösteren ilk dört model, GD-RVFLN, BRR, LR, GPR’dir. Tüm modeller arasında ise mükemmel doğruluk gösteren model bu tezde önerilen model olan GD-RVFLN modeli olmuştur.

Bu çalışmada veriler her ayın belli bir gününde alındığı için PV çıkışı gücü, o günün meteorolojik koşullarına bağlı olarak önemli ölçüde farklılık göstermektedir. Meteorolojik koşulların sabit olduğu günlerde bu çalışmada önerilen model olan GDRVFLN’ nin ortalama mutlak yüzdelik hata değerleri sırasıyla, 1,68; 1,72; 1,81; 1,86 ve 1,89 olmuştur. Öte yandan neredeyse tüm modeller meteorolojik koşulların sabit olduğu günlerde yüksek performans göstermiştir. Meteorolojik koşulların kötü olduğu günlerde ise (2 Ocak ve 2 Aralık) modellerin çoğu daha az iyi performans göstermiştir. Bu duruma rağmen önerilen GD-RVFLN modeli 0≤ OMYH ≤10 aralığında kalarak mükemmel doğruluk gösterme performansını korumuştur. Makine öğrenmesi modellerinde çıktıları tahmin etme,

65/89

Tablo3: On bir makine öğrenimi modeli için OMYH (%) değerleri

ELM

YSA

GBR

RFR

LAR

RR

2.04.2022 3,919

5,497

8,477 10,599 12,288 12,020 13,022 11,714 14,613 15,251 12,175

2.03.2022 1,724

2,752

3,768

4,265

5,691

6,489

7,527

6,585

8,595

8,963 10,972

2.02.2022 2.01.2022 2.12.2021

1,687 9,491

4,861

2,564 12,270

3,031 20,295

3,777 23,472

4,762 20,146

6,347 27,062

7,806 26,831

7,771 35,706

7,656 35,566

10,954 39,002

10,654 39,930

7,858

9,662 13,114 10,997 19,920 27,952 18,916 21,252 22,488 29,255

2.11.2021 1,895

1,989

2,842

4,002

3,954

4,391

5,423

6,334

4,418

6,208 10,337

2.10.2021 2,254

3,364

4,021

4,921

5,453

6,170

8,564

8,647

7,910

8,949

9,722

2.08.2021 1,861

3,987

4,946

7,583

7,707

6,411

9,887 10,690 7,873 11,531 9,667

2.07.2021 2.06.2021

1,811 2,293

3,137 3,478

4,020 6,125

4,337 4,940

5,102 7,569

6,620 7,676

6,235 9,531

6,549 10,243

9,427 7,780

8,490 11,007

9,901 11,395

2.05.2021 3,828

7,947

7,255

6,047 11,172 10,434 12,828 6,654

8,777

7,068

9,723

Tablo3: Tablo 4.3 On bir makine öğrenimi modeli için OKH değerleri

2.04.2022 1,646

2,498

3,519

4,016

5,112

2.03.2022 1,684

2,590

3,368

4,369

5,117

2.02.2022 1,680

2,485

3,266

3,771

4,678

2.01.2022 1,789

2,450

3,425

4,282

4,382

2.12.2021 1,617

2,354

3,038

4,160

4,243

2.11.2021 1,732

2,419

3,162

4,402

5,109

2.10.2021 1,499

2,248

3,134

3,973

4,353

2.08.2021 1,345

2,458

3,244

4,179

4,832

2.07.2021 1,664

2,468

3,215

3,873

4,707

2.06.2021 1,574

2,563

3,383

3,934

5,182

2.05.2021 1,351

2,173

2,585

3,128

4,104

ELM 5,897 5,894 5,631 5,994 6,139 5,643 5,640 4,984 5,824 5,436 4,993

YSA 6,506 7,180 6,532 6,197 7,524 6,573 6,630 6,560 6,354 6,761 5,564

GBR 7,046 8,202 7,769 7,349 7,277 6,675 7,445 7,448 6,881 7,260 5,630

RFR 7,968 9,022 7,921 8,165 7,845 7,071 7,845 7,237 8,533 7,346 5,899

LAR 8,859 9,295 9,495 8,981 8,618 8,696 8,981 8,650 9,354 8,765 6,068

RR 7,569 10,806 10,221 9,498 8,962 9,859 10,053 9,102 9,760 9,562 7,506

66/89

öncelikle büyük miktarda verilerin eğitilmesi ile gerçekleşir, ancak verilerdeki düzensizlikler tahmin doğruluğunu olumsuz etkileyen ana faktördür. Bu nedenle modellerde kullanılan verilerin en iyi hava koşullarında elde edilen verilerden oluşması önem arz etmektedir. Ancak bu çalışmada modellerin performansını analiz etmek için her ayın belli bir günü tercih edildi. Bu yüzden modellerin değerlendirmesi seçilen günün hava koşulunun iyi veya kötü olma durumuna bağlı olarak aylık değil tek bir gün için değerlendirmeler yapıldı. Bu anlamda, hava durumunun iyi olduğu günlerde diğer bir değişle, havanın yağışsız, gökyüzünün açık olduğu günlerde PV çıkış gücü tahmini tüm modellerde nispeten yüksek performans göstermiştir. Öte yandan, gökyüzünün bulutlu ve yağışlı olduğu kararsız hava koşullarının olduğu günlerde elde edilen eğitim ve tahmin veri setlerinde büyük dalgalanmalar olmaktadır. Bu dalgalanmalar daha düşük bir tahmin doğruluğuna yol açmaktadır. Kararsız hava koşullarında en iyi modeller arasında en iyi PV çıkış gücü tahmini sağlayan model GD-RVFLN modelidir.

4. Sonuçlar

Bu çalışmada, gün öncesi PV çıkış gücünü tahmini on bir farklı makine öğrenimi modelleri üzerinde çalışıldı. İleri sürülen algoritmalar, PV çıkış gücünü tahmin etmek için hava koşullarına bağımlı olan meteorolojik verilerinin kullanılmasında, hava koşullarının belirsizliği nedeniyle modellerin tahmin sonucunda hem periyodik hem de rastgele değişimlere sebep olduğunu göstermiştir. Bu yüzden istikrarı yakalamak için birden fazla saatlik meteorolojik veriler üzerinde hava tipi sınıflandırması yapmak gerekmektedir. Bu çalışmada hava tipi sınıfını bulmak ve PV çıkış gücü tahmini iyileştirmek için GD-RVFLN modeli önerildi ve analiz için 10 farklı makine öğrenimi modeli seçildi. Çıkan sonuçlarda, 11 farklı makine öğrenimi içinde en iyi performansı gösteren modellerin önerilen model GD-RVFLN ve BRR modelleri olduğu bulundu.

Bu çalışmadaki yenilik, geleneksel yapay zekâ modellemelerinde karşılaşılan sorunların; örneğin çok büyük sayıda veri kullanımından kaynaklı bazı verilerin göz ardı edilmesi, verilerdeki uyumsuzluk ve yetersiz genelleme gibi birtakım sorunların üstesinden gelmek için PV çıkış gücünün meteorolojik verilerle korelasyonu göz önüne alınarak makine öğrenimi modellerini birleştirmektir. Önerilen modeller, Diyarbakır Dicle üniversitesi kampüsünde bulunan PV güç santraline kısa vadeli PV güç tahmini uygulanarak analiz edildi. Sonuçlar, önerilen hava tipi sınıflandırmasına dayalı makine öğrenme modellerinin göstermiş oldukları yüksek doğrulukları nedeniyle pratik uygulamalar için büyük potansiyele sahip olduğunu göstermiştir.

PV çıkış gücünün sürekli değişmesi şebekede gerilim, frekans dalgalanmaları ve güç kalitesi problemlerine neden olmaktadır. İletim ve dağıtım şebekelerinde gerilim ve frekans kontrolü kısa zamanlı (saniyeler ve dakikalar seviyelerinde) yapılması gerektiği için kısa dönemli PV çıkış gücü tahminine ihtiyaç duyulmaktadır. Literatürde de hem PV çıkış gücü tahmini hem de gerilim ve frekans kontrolü yapan çalışmalar az sayıda bulunmaktadır. Bundan dolayı PV çıkış gücü tahmini, kontrol çalışmaları, güç iletim ve dağıtımda ciddi öneme sahiptir. Gelecek çalışmalarda PV çıkış gücü tahmin tabanlı gerilim, frekans kontrolü çalışmaları ve güç kalitesi iyileştirme çalışmaları yapılabilir.

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

5. Kaynaklar

[1] P. Markuse, Provisional Report on the State of the Global Climate

2020, World Meteorological Organization (WMO), 2021. Erişim

Tarihi:

Ocak

2022.

https://library.wmo.int/index.php?lvl=notice_display&id=21804#.Yw

ThLEdBxPZ

[2] H.E. Murdock, D. Gibb, T. André vd. Renewables 2021 Global

Status Report, World Energy Coucil, REN21, 2021. Erişim Tarihi: 21

Ocak 2022. https://www.ren21.net/reports/global-status-report/

[3] T. Gould, J. Coppel, T. Bienassis vd., World Energy Investment

2022, International Energy Agency, 2022. Erişim Tarihi: 21 Ocak 2022.

https://www.iea.org/reports/world-energy-investment-2022

[4] F. Barbieri, S. Rajakaruna, ve A. Ghosh. "Very short-term

photovoltaic power forecasting with cloud modeling: A review,"

Renewable and Sustainable Energy Reviews, 75, Aug. 2017, s. 242-

263.

[5] G. Gowrisankaran, S. S. Reynolds ve M. Samano, “Intermittency

and the value of renewable energy,” Journal of Political Economy, vol.

124, no.4, Aug 2016, s. 1187-1234.

[6] G. Stein ve T. M. Letcher, “Integration of PV generated electricity

into national grids. In A comprehensive guide to solar energy systems”

Academic Press, 2018, s.321-332.

[7] G. Cervone, L. Clemente-Harding, S. Alessandrini, ve L. Delle

Monache, “Short-term photovoltaic power forecasting using Artificial

Neural Networks and an Analog Ensemble,” Renewable Energy,

vol.108, Aug. 2017, s. 274–286.

[8] Z.L. Yang, M. Mourshed, K. Liu, vd., “A novel competitive swarm

optimized RBF neural network model for short-term solar power

generation forecasting,” Neurocomputing, vol. 397, Jul. 2020, s.415-

421.

[9] D. Li and K. Sun, “Random Forest solar power forecast based on

classification optimization,” Energy, vol. 187, Nov. 2019, s. 1-11.

[10] I. A. Ibrahim ve T. Khatib, “A novel hybrid model for hourly

global solar radiation prediction using random forests technique and

firefly algorithm,” Energy Convers Manag,

[11] H.Z. Wang, H.Y. Yi, J.C. Peng, vd., “Deterministic and

probabilistic forecasting of photovoltaic power based on deep

convolutional neural network,” Energy Convers Manag, vol. 153, Dec.

2017, s.409-422.

[12] H.Z. Wang, Z.X. Lei, X. Zhang, vd., “A review of deep learning

for renewable energy forecasting,” Energy Convers Manag, vol. 198,

Oct 2019, s.1-16.

[13] M.R. Douiri, “Particle swarm optimized neuro-fuzzy system for

photovoltaic power forecasting model,” Sol Energy, vol. 184, s.91-104,

2019.

[14] Y.T. Li, Y. He, Y. Su, vd., “Forecasting the daily power output of

a grid connected photovoltaic system based on multivariate adaptive

regression splines,” Appl Energy, vol.180, 15 Oct. 2016, s.392-401.

[15] H. Wang ve J. Shen, "An Improved Model Combining Evolutionary Algorithm and Neural Networks for PV Maximum Power Point Tracking," in IEEE Access, vol. 7, 2019, s. 2823-2827.

[16] Duman Altan , B. Diken ve B. Kayişoğlu , “Prediction of Photovoltaic Panel Power Outputs using Time Series and Artificial Neural Network Methods”, Tekirdağ Ziraat Fakültesi Dergisi, c. 18, sayı. 3, ss. 457-469, Eyl. 2021, doi:10.33462/jotaf.837446

[17] K. Tümay Ateş , "Çok Katmanlı Yapay Sinir Ağı Modeli ve Kültürel Algoritma Modeli Kullanılarak Geliştirilen Melez Yöntem ile Kısa Vadeli Fotovoltaik Enerji Santrali Çıkış Gücü Tahmini", Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 5, sayı. 1, ss. 342-354, Mar. 2022, doi:10.47495/okufbed.1028813

67/89

[18] K.J. Wang, X.X. Qi, H.D. Liu, vd., “Deep belief network-based kmeans cluster approach for short-term wind power forecasting,” Energy, vol. 168, Dec. 2018, s. 840-852. [19] K.J Wang, X.X. Qi, ve H.D. Liu, “A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network,” Appl Energy, vol. 251, Oct. 2019. [20] L.Y. Liu, Y. Zhao, D.L. Chang, vd., “Prediction of short-term PV power output and uncertainty analysis,” Appl Energy, vol. 228, Oct. 2018, s.700-711 [21] G. Cervone, L. Clemente-Harding, S. Alessandrini, vd., “Shortterm photovoltaic power forecasting using artifificial neural networks and an analog ensemble,” Renew Energy, vol. 108, Aug. 2017, s.274284. [22] S. Sobri, S. Koohi-Kamali, ve N. Rahim Abd, “Solar photovoltaic generation forecasting methods: a review,” Energy Convers Manag, vol.156, Jan. 2018, s. 459-497. [23] M.Q. Raza, M. Nadarajah,ve C. Ekanayake, “Review on recent advances in PV output power forecast,” Sol Energy, vol. 136, Oct. 2016, s.125-144. [24] L.W. Zheng, Z.K. Liu, J.N. Shen, vd., “Very short-term maximum Lyapunov exponent forecasting tool for distributed photovoltaic output,” Appl Energy, vol. 229, Nov. 2018, s.1128-1139. [25] X. Zhao, H. Wei, H. Wang, vd., “3d-cnn-based feature extraction of ground-based cloud images for direct normal irradiance prediction,” Sol Energy, vol.181, 2019, s.510-518. [26] Y. Zhou, N. Zhou, L. Gong, vd., “Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine,” Energy, vol. 204, 2020, s. 117894. [27] R. Ahmed, V. Sreeram, Y. Mishra, vd., “A review and evaluation of the stateof-the-art in PV solar power forecasting: techniques and optimization,” Renew Sustain Energy Rev, vol. 24, May 2020, s.1-26. [28] W. VanDeventer, E. Jamei, G. S. Thirunavukkarasu, vd., “Shortterm PV power forecasting using hybrid GASVM technique,” Renewable energy, vol.140, 2019, s.367-379. [29] M. Massaoudi, S. S. Refaat, H. Abu-Rub, vd., "A Hybrid Bayesian Ridge Regression-CWT-Catboost Model For PV Power Forecasting," 2020 IEEE Kansas Power and Energy Conference (KPEC), 2020, s. 15 [30] L. Gutiérrez, J. Patiño, ve E. Duque-Grisales, “A Comparison of the Performance of Supervised Learning Algorithms for Solar Power Prediction,” Energies, vol.14, no. 15, 2021, s. 4424, [31] A. Afzal, S. Alshahrani, A. Alrobaian, vd., “Power plant energy predictions based on thermal factors using ridge and support vector regressor algorithms” Energies, vol.14, no. 21, 2021, 7254. [32] A. I. Khalyasmaa, S. A. Eroshenko, V. A. Tashchilin, vd., “Industry experience of developing day-ahead photovoltaic plant forecasting system based on machine learning,” Remote Sensing, vol. 12, no.20, 2020, 3420. [33] S. Chahboun ve M. Maaroufi, “Novel comparison of machine learning techniques for predicting photovoltaic output power,” International Journal of Renewable Energy Research (IJRER), vol.11, no.3, 2021, s. 1205-1214. [34] A. Aggarwal ve M. M. Tripathi, “Short-term solar power forecasting using Random Vector Functional Link (RVFL) network,” In Ambient Communications and Computer Systems, Springer, Singapore, 2018, s.29-39. [35] S. P. Mishra, P. P. Padhi, J. Naik, vd., "An efficient Robust Random Vector Functional Link network for Solar Irradiance, Power and Wind speed prediction," 2021 1st Odisha International Conference on Electrical Power Engineering, Communication and Computing Technology(ODICON), 2021, s. 1-7. [36] C. Haydaroğlu, “Dicle Üniversitesi Güneş Enerjisi Santralinin Performans Analizi,” (Yayımlanmamış Yüksek Lisans Tezi), Dicle Üniversitesi, Fen Bilimler Enstitüsü, 2017. [37] C. Haydaroğlu ve B. Gümüş, “Dicle Üniversitesi güneş enerjisi santralinin PVsyst ile simülasyonu ve performans parametrelerinin değerlendirilmesi,” Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 7, no. 3, 2016. s. 491-500. [38] C. Haydaroğlu ve B. Gümüş, “Investigation of the effect of shortterm environmental contamination on energy production in photovoltaic panels: Dicle University solar power plant example,” Applied Solar Energy, vol.53, no.1, 2017, s.31-34.

[39] H. Kılıç, “Güneş Enerjisi ile İlgili Meteorolojik Verilerin Tahmini İçin Yöntem Geliştirilmesi,” (Yayımlanmamış Yüksek Lisans Tezi), Dicle Üniversitesi, Fen Bilimler Enstitüsü, 2016. [40] B. Gumus ve H. Kilic, “Time dependent prediction of monthly global solar radiation and sunshine duration using exponentially weighted moving average in southeastern of Turkey,” Thermal Science, vol.22, no.2, 2018, s. 943-951. [41] H. Kılıç, B. Gümüş ve M. Yılmaz, “Diyarbakır İli İçin Güneş Enerjisi Verilerinin Meteorolojik Standartlarda Ölçülmesi ve Analizi,” EMO Bilimsel Dergi, vol.5, no.10, 2016, s.15-19. [42] M. Yılmaz, B. Gümüş, H. Kılıç ve M. E. Asker, "Chaotic analysis of the gloabal solar irradiance," 2017 IEEE 6th International Conference on Renewable Energy Research and Applications (ICRERA), 2017, s. 1058-1066 [43] C. Shen, M. Sun, M., Tang, ve C. E. Priebe, “Generalized canonical correlation analysis for classification,” Journal of Multivariate Analysis, vol.130, 2014, s. 310-322. [44] W. Zuobin, M. Kezhi ve G.-W. Ng, "Feature Regrouping for CCABased Feature Fusion and Extraction Through Normalized Cut," 2018 21st International Conference on Information Fusion (FUSION), 2018, s. 2275-2282. [45] A. Afifi, V. A. Clark ve Susanne May, Canonical Correlation Analysis | R Data Analysıs Examples, UCLA: Statistical Consulting Group,2004, Erişim tarihi: 12 Temmuz 2022. https://stats.oarc.ucla.edu/r/dae/canonical-correlation-analysis/ [46] Y. H. Pao ve Y. Takefuji, "Functional-link net computing: theory, system architecture, and functionalities," in Computer, vol. 25, no. 5, May 1992, s. 76-79. [47] Y.H. Pao, G.H. Park, ve D.J. Sobajic, “Learning and generalization characteristics of the random vector functional-link net,” Neurocomputing , vol.6, no.2, 1994, s.163–180. [48] Q. Shi, R. Katuwal, P. N. Suganthan, ve M. Tanveer, “Random vector functional link neural network based ensemble deep learning” Pattern Recognition, vol.117, 2021, s.107978. [49] A. E. Hoerl ve R. W. Kennard, ‘‘Ridge regression: Applications to nonorthogonal problems,’’ Technometrics, vol. 12, no. 1, 1970, s. 69– 82. [50] H. T. Huynh ve Y. Won, ‘‘Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks,’’ Pattern Recognit. Lett., vol. 32, no. 14, Oct. 2011, s. 1930–1935. [51] W. Dai, Q. Chen, F. Chu, X. Ma ve T. Chai, "Robust Regularized Random Vector Functional Link Network and Its Industrial Application," in IEEE Access, vol. 5, 2017, s. 16162-16172.

68/89

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi Machine Learning Based Short Term Photovoltaic Output Power Prediction

Özgeçmişler

Berrin Eryilmaz, 1989 doğumlu, B.Sc. Gediz Üniversitesi Elektrik-elektornik Mühendisliği bölümünden 2014 yılında mezun oldu. Yüksek Lisans derecesini 2022 yılında Dicle Üniversitesi Fen Bilimleri Enstitüsü Yenilenebilir Enerji Kaynakları Anabilim Dalı’nda almıştır. Araştırmaları Makine öğrenimi tabanlı enerji tahminlemesi konularına odaklanmaktadır.

Dr. Heybet Kılıç, Gaziantep Üniversitesi’nde 2009 yılında Elektrik Elektronik Mühendisliği alanında lisans derecesini, 2016 yılında Elektrik ve Elektronik Mühendisliği alanında yüksek lisans derecesini ve 2021 yılında enerji sistemleri alanında doktora derecesini Dicle Üniversitesi’nden elde etmiştir. 2015 yılından bu yana Dicle Üniversitesi Elektrik Güç ve Enerji Bölümü’nde Yardımcı Doçent olarak görev yapmaktadır ve güç sistemleri, güç elektroniği ve yenilenebilir enerji sistemleri konularında dersler vermektedir. 2018-2020 yılları arasında ise Hollanda’daki TU Delft Elektrik Mühendisliği, Matematik ve Bilgisayar Bilimleri Fakültesi’nde Elektrikli Sürdürülebilir Enerji Departmanı’nda doktora araştırmacısı olarak görev yaptı. Araştırma ilgi alanları arasında fotovoltaikler, rüzgar enerjisinin dönüştürülmesi, güç sistemleri, mikro şebekeler, siber-fiziksel enerji sistemleri ve veri bilimi bulunmaktadır.

Fatih Koçyiğit, 1977 doğumlu, B.Sc. Dicle Üniversitesi Makine Mühendisliği bölümünden 2000 yılında mezun oldu. Yüksek Lisans ve Doktora derecelerini sırasıyla 2008 ve 2012 yıllarında Elazığ Fırat Üniversitesi Fen Bilimleri Enstitüsü Enerji Anabilim Dalı’nda almıştır. Halen Diyarbakır Dicle Üniversitesi’nde Doçent olarak çalışmaktadır. Araştırmaları ısı transferi, termodinamik, enerji, ekserji ve termal iletkenlik konularına odaklanmaktadır.

69/89

EMO Bilimsel Dergi 2023 Cilt:13 Sayı: 2 70/89