Makine öğrenimi yöntemleri ile güneş paneli enerji üretim tahmini ve ömrünün sürdürülebilirliğe katkısı

Abstract

Atmosferi ve çevreyi koruma mücadelesi tüm dünyada hızla artmaktadır. Yenilenebilir enerji kaynaklarından enerji üretimini sürdürülebilir kılmak için daha fazla çalışmaya ihtiyaç vardır. Enerjinin makine öğrenimiyle entegrasyonu sayısız avantaj sağlamaktadır. Bu çalışmada başlıca yenilenebilir enerji kaynaklarından biri olan güneş enerjisi sistemi ele alınmıştır. Destek vektör makinesi (SVM), K-en yakın komşu (KNN), Rastgele orman (RF), Yapay sinir ağları (ANN), Naive Bayes (NB), Lojistik regresyon, Karar ağacı (DT), Gradyan artırma (Gradient Boosting), Adaptive Boosting (AdaBoost), Stochastic Gradient Descent (SGD), enerji üretimini tahmin etmek için kullanılmıştır. Tahmin deneyleri, yüksek güneş radyasyonu ve yüksek sıcaklığa sahip bir bölgede gerçekleştirilmiştir. Böylece aşırı ısınmış güneş panellerini de inceleme imkânı bulunmuştur. Güneş panelinin hemen yanına küçük ölçekli ama yeterli bir meteoroloji istasyonu kurulmuştur. Sensörler ile atmosferden elde edilen sıcaklık, basınç, nem ve güneş radyasyonu gibi girdiler kullanılmıştır. Elde edilen veriler Arduino mikrodenetleyici kullanılarak işlenmiş, veriler C# yazılımı ile kayıt altına alınmış ve Python programlama dili kullanılarak makine öğrenmesi eğitimi gerçekleştirilmiştir. Kısa süreli veriler ile SVM algoritması, uzun süreli veriler ile ANN algoritması başarılı sonuçlar sergilemiştir. Bu çalışma, ilgili bölgede güneş enerjisi sistemleri yatırımlarının uygun olup olmadığı konusunda yol gösterici niteliktedir.

The struggle to protect the atmosphere and the environment is increasing rapidly around the world. More work is needed to make energy production from renewable energy sources sustainable. The integration of energy with machine learning provides numerous advantages. In this study, the solar energy system, which is one of the main renewable energy sources, is considered. Support Vector Machine (SVM), K-nearest neighbor (KNN), Random Forest (RF), Artificial Neural networks (ANN), Naive Bayes (NB), Logistic Regression, Decision Tree (DT), Gradient Boosting, Adaptive Boosting (AdaBoost), Stochastic Gradient Descent (SGD) are used to forecast energy production. Forecast experiments are conducted in a region with high solar radiation and high temperature. Thus, there is an opportunity to examine overheated solar panels as well. A small scale but adequate weather station is installed right next to the solar panel. Inputs such as temperature, pressure, humidity and solar radiation obtained from the atmosphere with sensors are used. Obtained data are processed utilizing Arduino microcontroller, data are recorded with C# software and machine learning training is performed using Python programming. SVM algorithm showed successful results with short-term data and ANN algorithm with long-term data. This study provides guidance on whether solar energy systems investments are appropriate in the relevant region.