Kısa dönemli fotovoltaik güç tahmini için geliştirilen yenilikçi bir hibrit modelin analizi ve uygulaması

Abstract

Günümüzde hızla artan enerji ihtiyacına paralel olarak üretilen enerjinin temiz ve sürdürülebilir olması mevcut ve gelecek nesiller adına büyük öneme sahiptir. Bu kapsamda yenilenebilir enerji kaynaklarının kullanımı çevre bilincine ve sürdürülebilir kalkınma politikasına katkı sağlamaktadır. Yenilenebilir enerji kaynaklarının en önemlilerinden biri olan güneş enerjisinin kullanımı da bu alanda hızla yaygınlaşmaktadır. Fotovoltaik panellerden (PV) elde edilen enerjinin şebekeye entegrasyonunda, güç sistemlerinin güvenilirliği ve istikrarı açısından bu sistemlerden elde edilecek olan enerjinin tahmin edilmesi büyük öneme sahiptir. Ancak güneş ışınımının aralıklı doğasının etkisi, doğru tahmin modellerinin geliştirilmesini zorlaştırmaktadır. Bu tez çalışması kısa dönemli güneş enerjisi güç tahmini için hibrit tahmin modeli analizi önermekte ve farklı ayrıştırma metotlarının performansını analiz etmektedir. Bu kapsamda BŞEÜ yenilenebilir enerji laboratuvarından 2021 yılından itibaren alınan veriler kullanılmıştır. Tez çalışmasının ilk aşamasında Görgül Kip Ayrışımı (Empirical Mode Decomposition, EMD), Topluluk Görgül Kip Ayrışımı,(Ensemble Empirical Mode Decomposition, EEMD), Geliştirilmiş Ampirik Mod Ayrıştırma,(Improved Empirical Mode Decomposition, IEMD), Uyarlanabilir Gürültü ile Komple Topluluk Görgül Kip Ayrışımı,(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN) ve Sürü Ayrıştırma,(Swarm Decomposition, SWD) gibi literatürde kullanılan güncel ve yenilikçi ayrıştırma modellerinin performansı çok katmanlı ağ (Multi-Layer Perceptron, MLP) yapılarıyla ayrı ayrı mevsimsel olarak analiz edilmiş ve karşılaştırmalı olarak sonuçları sunulmuştur. Tezin ikinci aşamasında ise CEEMDAN yaklaşımı ile Kernel-ELM modeli hibrit olarak önerilmiş bu kapsamda elde edilen veriler ayrıştırma adımında CEEMDAN ile alt bileşenlerine ayrıştırılmıştır. Ayrıştırma adımıyla birlikte elde edilen daha durağan veriler ile tahmin modeline uygulanan alt bileşenler ile daha hassas doğrulukta kısa dönemli tahmin sonucu elde edilmiştir. Önerilen modelin performansı farklı hata performans metrikleri ile karşılaştırmalı olarak sunulmuştur. Bu kapsamda farklı ayrıştırma metodu içeren hibrit modeller ve derin öğrenme tabanlı model ile önerilen model karşılaştırılarak üstünlüğü ele alınmıştır. Kök ortalama kare hatası değeri dikkate alındığında tüm mevsimsel alınan aylar bazında önerilen hibrit model en yakın başarım gösteren modele göre %22,69 ile %44,56 arasında model başarımını artırmıştır. Buna ek olarak Taylor Diyagramı ile de modellerin performansı son adımda istatiksel olarak karşılaştırmalı olarak sunulmuştur. Tüm yapılan analizler sonucunda yenilikçi bir yaklaşım olarak önerilen CEEMDAN-Kernel-ELM yaklaşımının kısa dönemli güneş enerjisi tahmini için diğer konvansiyonel hibrit modellere ve derin öğrenme tabanlı modellere göre daha iyi sonuç verdiği gözlemlenmiştir.In today's era of surging energy demand, it is imperative for current and future generations that energy production is both clean and sustainable. Embracing renewable energy resources aligns with environmental awareness and sustainable development goals. Among these resources, solar energy stands out as a rapidly expanding source. Integrating energy generated from photovoltaic panels (PV) into the power grid necessitates accurate energy estimation to ensure grid reliability and stability. However, the intermittent nature of solar radiation presents challenges for precise prediction models. This thesis introduces a hybrid forecasting model for short-term solar energy power prediction and evaluates various decomposition methods. Utilizing data from the BSEU renewable energy laboratory up to 2021, we first assess the performance of existing decomposition models, including EMD, EEMD, IEMD, CEEMDAN, and SWD, when combined with multi-layer neural network (MLP) structures. In the second phase, we propose a hybrid approach combining the Kernel-ELM model with CEEMDAN. We decompose the data into its subcomponents using CEEMDAN, resulting in more stable data for our forecasting model. This approach yields short-term forecasts with greater accuracy. We compare the performance of our proposed model with different error metrics and discuss its superiority over conventional hybrid and deep learning-based models. In terms of the Root Mean Square Error performance metric, the proposed hybrid model dicreased performance ranging from 22.69% to 44.56% when compared to the highest model performance, across all seasonal months. Our results demonstrate that the CEEMDAN-Kernel-ELM approach outperforms other hybrid and deep learning-based models in short-term solar energy forecasting, as confirmed by statistical analysis and the Taylor Diagram.