Hava tahmin modelleri ve yüzdelik dilim regresyonu temelli hibrit güneş enerjisi öngörü sistemi geliştirilmesi ve uygulamaları

Abstract

Yenilenebilir enerji kaynakları, iklim değişiminden en az şekilde etkilenmek için kilit görevi görmektedir. Günümüzde artan teknoloji sayesinde yenilenebilir enerji kaynaklarına erişim kolaylaşmıştır. Ülkemizde hem sanayi hem de kişisel amaçlar için en çok kullanılan yenilenebilir enerji kaynağı güneş enerjisidir. Güneş enerjisinden üretilen elektriğin tahminlenmesi ise şebeke güvenliği ve ekonomik nedenler dolayısıyla önem arz etmektedir. Günümüzde, tahminleme için en çok kullanılan yöntem makine öğrenimi ve derin öğrenme metotlarıdır. Tezin ana amacı, güneş enerjisi santrallerinin gün öncesi elektrik üretimlerini tahmin etmek için kullanılan nokta tahminlerinin yetersiz kaldığı durumları belirlemek ve olasılık ve hava durumuna bağlı karar mekanizmasını geliştirmektir. Bu çalışmada, 3 adet güneş enerjisi santrali (GES) kullanılmış olup bunlar Konya (18MWe), Sivas (9MWe) ve Antalya (5,6MWe) illerinde yer almaktadır. Veri kaynağı olarak Meteoroloji Genel Müdürlüğü (MGM)'nden alınan gözlem verileri ile Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF)'ne ait Entegre Tahmin Sistemi (IFS) modelinin yüksek çözünürlüklü (HRES) geçmişe yönelik çıktıları kullanılmıştır. Kullanılan iki veri setide 2 yıllık (2023 Ekim – 2025 Ekim) ve saatlik çözünürlüktedir. MGM ve IFS HRES veri setleri için berrak hava indeksi, güneş yükseklik açısı, son 3 saatteki bulutluluk miktarının standart sapması ile tarih ve saatin trigonometrik dönüşümleri özellik mühendisliği olarak eklenmiştir. Her iki veri seti, ham veri ve Çekirdek Temel Bileşen Analizi (ÇTBA) ile boyut indirgenerek elde edilen şekilde 2 farklı yolla modellere girdi olarak eklenmiştir. Nokta tahminlerinde doğrusal model olarak çoklu lineer regresyon (LR), doğrusal olmayan model olarak Ekstrem Gradyan Güçlendirme (XGBoost) modeli kullanılmıştır. Test periyodu ve 160 günlük gün öncesi operasyonel tahminler için Bulanık C Ortalamaları (BCO) ile ayrılan kümeler bazında hata analizi yapılmıştır. Noktasal modellerin öğrenme eğrileri incelenmiş ve lineer modellerin düzgün öğrenememe, XGBoost modellerinin ise ezberleme yaptığı görülmüştür. Olasılık uzayı elde etmek için Yüzdelik Dilim Regresyonu (YDR) kullanılmıştır. Doğrusal olarak, Çoklu Doğrusal Yüzdelik Dilim Regresyonu (ÇDYDR); doğrusal olmayan model olarak XGBoost tabanlı Yüzdelik Dilim Regresyonu (XGB YDR) eğitilmiştir. Bu eğitimler 10 ve 90 arasındaki 10'ar artışla tüm yüzdelik dilimlerin tahminlenmesi için tekrarlanmıştır. Sürekli Dereceli Olasılık Skoru (CRPS), Tahminlenen Aralık Kapsama Olasılığı (PICP) ve Tahmin Aralığı Normalize Edilmiş Ortalama Genişlik (PINAW) metrikleri ile performansları ölçülmüştür. Hava rejimleri, BCO kümeleme yöntemi kullanılarak; açık hava, bulutlu hava, geçişli bulutlu hava, karlı hava ve düşük ışınım havası olmak üzere 4 veya 5 kümeye ayrılmıştır. Her rejim için ortalama mutlak hata (MAE)'yı minimize eden yüzdelik dilim belirlenerek bir karar mekanizması oluşturulmuştur. Bu karar verme mekanizması ile 160 günlük operasyonel gün öncesi tahminler yapılmış ve nokta tahmini ile karar mekanizması tahminleri kıyaslanmıştır. Çalışmadan elde edilen sonuçlara göre; nokta tahmininde genellikle XGBoost modelleri LR'den daha iyi sonuçlar gösterirken ÇTBA girdisi çoğunlukla ham veriden daha kötü sonuçlar sağlamıştır. Nokta tahminlerinde 3 GES arasından en iyi normalize ortalama mutlak Hata (NMAE) %5,2 ile Hamal GES IFS HRES ham veri girdili XGBoost modelinden elde edilmiştir. Alibeyhüyüğü GES içinde en iyi model IFS HRES ham veri girdili XGBoost modeli olmuştur. Serra GES, dağlık ve karma iklimi nedeniyle eğitim ve operasyonel süreçlerde hem nokta tahminlerinde hem de karar mekanizması tahminlerinde en zorlu GES olmuştur. Noktasal tahmin modellerinde diğer 2 GES'den ayrışarak en iyi sonucu IFS HRES ÇTBA girdili LR modelinden almıştır. ÇTBA girdisi genellikle nokta tahminlerinin performansını düşürürken yüzdelik dilimler için lineer kalibrasyona yardımcı görev üstlenebildiği görülmüştür. Yüzdelik dilim regresyonları içinde XGBoost tabanlı modeller kendisine aşırı güvenen yüzdelik dilimler tahmin etmiş, çoklu doğrusal modeller ise geniş tahmin aralıkları sunarak temkinli davranmıştır. BCO ve YDR sayesinde elde edilen karar mekanizması sonuçları ile genel olarak nokta tahmini performansları iyileştirilmiştir. En belirgin iyileşmeler, ÇTBA girdili modellerde ve MGM veri setinde görülmüştür. En yüksek MAE iyileşme oranı %17,8 ile Hamal GES'te ÇTBA girdili ÇDYDR karar modeli ile sağlanmıştır. IFS HRES ve XGBoost ham veri modelleri gibi nokta tahminini güçlü yapan modellerde iyileşme oranı daha az olarak görülmüştür. Serra GES için ise genel olarak deterministik nokta tahminleri daha iyi performans sergilemiştir. Modeller birbirleri ile karşılaştırılabilmesi ve davranış kalıplarının görülebilmesi için optimizasyon yapılmadan taban model olarak kullanılmıştır. Gelecek çalışmalarda taban modelleri optimizasyon yapılarak geliştirilecektir. Serra GES'te gözlenen zorluklardan yola çıkarak gelecek çalışmalarda dağlık ve karma iklim bölgelerine özgü özellik mühendisliği ve veri temsili stratejileri araştırılacaktır. Ayrıca, sayısal hava tahmini yöntemlerinin yanı sıra uydu kaynaklı radyasyon tahmin ürünlerinin de veri seti genişletme amacıyla sisteme dâhil edilmesi planlanmaktadır. Son olarak, çalışamda kullanılan GES sayısının artırılması ve farklı kapasite ile teknolojilere sahip santrallerin analize dâhil edilmesi, önerilen yöntemin istatistiksel güvenilirliğini ve genellenebilirliğini güçlendirecektir.