Ahmet Oğuz GÖK, Ceyhun YILDIZ, Mustafa ŞEKKELİ

Yapay Sinir Ağları Kullanarak Kısa Dönem Güneş Enerjisi Santrali Üretim Tahmini: Kahramanmaraş Örnek Çalışması

Türkiye coğrafi konumu nedeniyle büyük bir güneş enerjisi potansiyeline sahiptir ve ülkedeki Güneş Enerjisi Santrali (GES) kurulu gücü hızla artmaktadır. Fakat GES üretimlerindeki değişkenlik bu tesislerin elektrik şebeke sisteminde işletilmesini problem haline getirmektedir. Bu problemin giderilmesi için GES üretim tahminlerine ihtiyaç duyulmaktadır. Bu çalışmada GES üretimleri için bir tahmin sistemi önerilmiştir. Önerilen tahmin sisteminde Yapay Sinir Ağları (YSA) kullanılmıştır. YSA Levenberg-Marquardt öğrenme algoritması kullanılarak eğitilmiştir. YSA eğitim, doğrulama ve test süreçlerinde Kahramanmaraş ilinde yer alan GES geçmiş üretim değerleri ve Küresel Tahmin Siteminden (KTS) alınan bulutluluk tahmin verileri kullanılmıştır. YSA yapısı ve giriş değerleri değiştirilerek analizler yapılmıştır. Yapılan analizler sonucunda giriş olarak üretim değerleri ile birlikte bulutluluk tahmini kullanan YSA’nın sadece geçmiş üretim değerleri kullanılan YSA’ya kıyasla daha başarılı olduğu tespit edilmiştir.

Anahtar Kelimeler:

Güneş Enerjisi Santrali, Üretim Tahmini, Yapay Sinir Ağı

A Short Term Solar Power Plant Generation Forecast Using Artifical Neural Networks: Kahramanmaraş Case Study

Turkey has a large solar energy potential due to its geographical location and the installed power of Solar Power Pant (SPP) in the country is rapidly increasing. But the variability in SPP generation makes it a problem to operate these facilities in the electrical grid system. SPP generation forecasts are needed to solve this problem. In this study, a forecast system is proposed for SPP generations. Artificial Neural Networks (ANN) are used in the proposed forecast system. ANN is trained by using the Levenberg-Marquardt learning algorithm. In the training, verification and test processes of the ANN, the generation values of the SPP located in Kahramanmaras province and the cloudiness forecast data obtained from the Global Forecasting System (GFS) are used. Analyzes are performed by changing the structure and input values of ANN. As a result of the analyzes, it is found that the ANN that uses cloudiness forecast with the generation values as input is more successful than the ANN that uses only generation values.

Keywords:

Solar Power Plant, Power Generation Forecast, Artificial Neural Network,

PDF

___

Budil, D. E., Lee, S., Saxena, S., & Freed, J. H., (1996). Nonlinear-least-squares analysis of slow-motion EPR spectra in one and two dimensions using a modified Levenberg–Marquardt algorithm. Journal of Magnetic Resonance, Series A, 120(2), 155-189.
Jamil, I., Zhao, J., Zhang, L., Rafique, S. F., & Jamil, R., (2019). Uncertainty Analysis of Energy Production for a 3× 50 MW AC Photovoltaic Project Based on Solar Resources. International Journal of Photoenergy, 2019.
Kılıç, F. Ç., (2015). Güneş Enerjisi, Türkiye’deki Son Durumu ve Üretim Teknolojileri. Mühendis ve Makine, 56(671), 28-40.
Kim, J., Kim, D., Yoo, W., Lee, J., Kim, B.A., (2017). Daily prediction of solar power generation based on weather forecast information in Korea. IET Renew. Power Gener., 11(10), 1268-1273.
Şahan, M., & Yüksel, O. K. U. R. (2016). Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini. Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 11(1), 61-71.
Tao, C., Shanxu, D. and Changsong, C., (2010) Forecasting Power Output for Grid-connected Photovoltaic Power System without using Solar Radiation Measurement. The 2nd International Symposium on Power Electronics for Distributed Generation Systems, (s. 773-777) Hefei, China: IEEE.
Yang, H., Huang, C., Huang, Y. and Pai, Y., (2014). A Weather-Based Hybrid Method for 1-Day Ahead Hourly Forecasting of PV Power Output. Ieee Transactıons On Sustaınable Energy, (5)3, 917-926.
URL-1, http://www.yegm.gov.tr/MyCalculator/Default.aspx, (Erişim tarihi 24 Mayıs 2019).
URL-2, https://www.ncdc.noaa.gov/data-access/model-data/model-atasets/global-forcast-system-gfs, (Erişim tarihi 11 Ocak 2019).
URL-3, https://www.giss.nasa.gov/tools/panoply/, (Erişim tarihi 24 Mart 2019).