Elazığ kovancılar ilçesi'nde yer alan bir güneş santrali için gerçek zamanlı verilerle enerji üretiminin tahmini

Abstract

Günümüzde elektrikli cihazların kullanımının artmasıyla birlikte elektrik enerjisine olan talep giderek yükselmektedir. Bu artan talep uzun yıllar boyunca ağırlıklı olarak fosil yakıtlar aracılığıyla karşılanmış olsa da, fosil yakıtların çevresel etkilerini azaltmak amacıyla yenilenebilir enerji kaynaklarının kullanımı giderek önem kazanmaktadır. Bu kapsamda, güneş enerjisi santralleri çevre dostu ve sürdürülebilir bir çözüm olarak öne çıkmaktadır. Ancak güneş enerjisi santrallerinin kurulumu yüksek başlangıç maliyetleri gerektirdiğinden, yatırımın geri dönüş süresinin doğru şekilde tahmin edilmesi yatırım karar süreçlerinde kritik bir rol oynamaktadır. Bu çalışmada, güneş enerjisi santrallerinin enerji üretiminin tahmin edilmesi amacıyla zaman serisi analizlerinde yaygın olarak kullanılan Evrişimsel Sinir Ağları (ESA), Tekrarlayan Sinir Ağları (TSA) ve Uzun Kısa Süreli Bellek (UKSB) yöntemleri kullanılmıştır. Söz konusu modellerin performansları karşılaştırılarak, güneş enerjisi üretim tahminindeki etkinlikleri analiz edilmiş ve elde edilen sonuçlar doğruluk ve hata metrikleri açısından değerlendirilmiştir.

In recent years, the widespread use of electrical devices has led to a significant increase in the demand for electrical energy. Although this demand has traditionally been met through fossil fuels, the environmental impacts of these resources have encouraged governments to promote renewable energy sources. Among renewable options, solar power plants have emerged as a clean and sustainable alternative. However, the establishment of solar power plants requires high initial investment costs, making accurate estimation of energy production and payback periods a critical factor in investment decision-making processes. In this study, energy production forecasting for a solar power plant is carried out using time series–based artificial intelligence models. Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) networks are employed to model and predict solar energy generation. The performances of these models are comparatively evaluated using accuracy and error metrics, and their effectiveness in capturing temporal dependencies in solar energy production data is analyzed.