Meteorolojik veri füzyonu destekli fotovoltaik güç üretim tahmini için hibrit derin öğrenme modellerinin geliştirilmesi

Abstract

Fotovoltaik (FV) sistemlerde güç üretiminin doğası gereği meteorolojik koşullara yüksek oranda bağımlı olması, şebeke entegrasyonu ve enerji arz güvenliği açısından isabetli tahmin modellerinin geliştirilmesini zorunlu kılmaktadır. Bu tez çalışmasında, Sakarya’nın Karaman bölgesinde faaliyet gösteren 5 MW kurulu güce sahip FV GES’in saatlik üretim verileri ile NASA POWER veri tabanından alınan meteorolojik veriler (radyasyon, sıcaklık ve yağış) entegre edilerek, güç üretimini yüksek doğrulukla tahmin edebilen hibrit bir derin öğrenme mimarisi Autoencoder-Long Short Term Memory (AE-LSTM) geliştirilmiştir. Geliştirilen mimarinin performansı, literatürdeki güncel modellerle olan Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Bi-directional Long Short-Term Memory (Bi-LSTM), Autoencoder (AE) ve Transformer ile karşılaştırmalı olarak analiz edilmiştir. Makine öğrenmesi metodolojisine uygun olarak, veri sızıntısını önlemek ve modellerin genelleme kapasitesini objektif biçimde ölçmek amacıyla zaman serisi şeklindeki veri seti, kronolojik olarak 18 ay eğitim, 3 ay doğrulama ve 3 ay test periyotlarına bölünmüştür. Modellerin hiperparametre duyarlılıkları, eksik öğrenme ve aşırı öğrenme eşikleri 30, 60 ve 120 epok’ luk (adım) üç farklı eğitim sürecinde incelenmiştir. Yapılan analizler sonucunda, mimarilerin fiziksel sınırları en iyi kavrayabildiği optimum öğrenme eşiğinin ise 120 epok olduğu deneysel olarak kanıtlanmıştır. Modellerin tahmin performansları, farklı iklim ve radyasyon koşullarını yansıtan alışılmışın dışında senaryolar üzerinden değerlendirilmiştir. Test sonuçlarına göre, 120 epokluk optimum eğitim düzeyinde AE-LSTM modeli, sıcak, kurak, yüksek radyasyonlu ve açık günlerde 0.9705 R² skoruna ve %6.62 MAE oranına ulaşarak başarılı bir tahmin doğruluğu göstermiştir. Karmaşık meteorolojik geçişlerin yaşandığı bütüncül aylık analizlerde AE-LSTM modeli ortalama 0.95 R² civarında kararlılığını korurken; geleneksel RNN ve LSTM ağları bu gürültülü verilerde %20'nin üzerinde RMSE değerleri üreterek ana eğilimden sapmıştır. Özellikle kış aylarının düşük radyasyonlu ve kapalı günlerinde, standart Transformer mimarisi 0.65 R² seviyelerine kadar düşüp ciddi performans kayıpları yaşarken; hibrit AE-LSTM modeli, giriş matrisindeki meteorolojik gürültüleri AE katmanının boyut indirgeme yeteneği ile filtreleyip aynı koşullarda 0.90 R² üzerinde kalmayı başarmıştır. Elde edilen bulgular, meteorolojik veri füzyonu destekli AE-LSTM mimarisinin, standart zaman serisi ağlarına göre hata oranlarını asgari düzeye indirdiğini göstermektedir. Önerilen modelin, çok değişkenli fotovoltaik güç tahmini problemlerinde kararlı olduğu bilimsel olarak ortaya konulmuştur.

As power generation in photovoltaic (PV) systems is highly dependent on meteorological conditions, developing accurate forecasting models is essential for grid integration and ensuring a secure energy supply. This thesis presents a hybrid deep learning architecture, the Autoencoder-Long Short-Term Memory (AE-LSTM) architecture, which is capable of accurately predicting power generation. The performance of this architecture was comparatively analyzed against state-of-the-art models in the literature, including Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (Bi-LSTM), Autoencoders (AE) and Transformers. In accordance with machine learning methodology and to prevent data leakage, the time-series dataset was divided chronologically into training (18 months), validation (3 months) and testing (3 months) periods to objectively measure the models’ generalization capacity. The hyperparameter sensitivities of the models, as well as their underfitting and overfitting thresholds, were examined across three training processes consisting of 30, 60 and 120 epochs. The analyses conducted have experimentally proven that the optimal training threshold at which the models can best capture the physical boundaries of the architectures is 120 epochs. The models' prediction performance was evaluated using unconventional scenarios that reflected various climate and radiation conditions. According to the test results, the AE-LSTM model achieved successful prediction accuracy at the optimal training level of 120 epochs, with an R² score of 0.9705 and a mean absolute error (MAE) of 6.62% on hot, dry, high-radiation, and clear days. Comprehensive monthly analyses involving complex meteorological transitions revealed that the AE-LSTM model remained stable, achieving an average R² of 0.95. In contrast, traditional RNN and LSTM networks deviated from the main trend, producing RMSE values exceeding 20% in these noisy datasets. During the low-radiation, overcast days of winter in particular, the standard Transformer architecture dropped to R² levels as low as 0.65, experiencing significant performance losses. In contrast, the hybrid AE-LSTM model used the AE layer’s dimension reduction capability to filter out the meteorological noise in the input matrix, managing to remain above 0.90 R² under the same conditions. These results demonstrate that the AE-LSTM architecture, supported by meteorological data fusion, minimizes error rates compared to standard time series networks. The proposed model has been scientifically established as robust in the context of multivariate photovoltaic power forecasting problems.