Fotovoltaik panellerin çıkış parametrelerinin tahmininde ampirik modeller ve makine öğrenmesi yaklaşımlarının karşılaştırılması

Abstract

Bu tez çalışmasında, farklı nominal güçlere sahip fotovoltaik panellerin hücre sıcaklığına bağlı olarak güç ve verim gibi çıkış parametrelerinin ampirik modeller ve makine öğrenmesi yaklaşımlarıyla tahmin edilmesi amaçlanmıştır. Bu kapsamda 25 W, 50 W ve 80 W gücündeki monokristal PV paneller Siirt ili açık hava koşullarında deneysel olarak incelenmiştir. Deneylerde güneş ışınımı, çevre sıcaklığı, rüzgâr hızı, hücre sıcaklığı, akım ve gerilim değerleri eş zamanlı olarak ölçülmüş; elde edilen veriler kullanılarak güç ve verim değerleri hesaplanmıştır. Çalışmada öncelikle literatürde yaygın olarak kullanılan ampirik güç ve verim modelleri deneysel verilerle karşılaştırılmıştır. Ampirik güç tahmininde T3 modelinin tüm panel güçlerinde en başarılı ve dengeli sonuçları verdiği belirlenmiştir. Ampirik verim tahminlerinde ise model başarısının panel gücüne göre değiştiği görülmüş; bununla birlikte V6 modelinin farklı panel güçlerinde dengeli sonuçlar sunarak genel amaçlı kullanılabilir bir model olduğu değerlendirilmiştir. Makine öğrenmesi kapsamında LR, RF, SVR ve XGBoost modelleri kullanılmış; modellerin performansları R² ve RMSE metrikleriyle değerlendirilmiştir. Güç tahmininde RF modeli genel olarak en dengeli ve güçlü performansı göstermiştir. Verim tahmininde ise 25 W panelde XGBoost, 50 W panelde LR ve 80 W panelde RF modeli öne çıkmıştır. Sonuçlar, PV panel güç ve verim tahmininde hücre sıcaklığının önemli bir parametre olduğunu; ampirik modellerin pratik tahminlerde, makine öğrenmesi modellerinin ise doğrusal olmayan ilişkilerin temsilinde etkili olduğunu göstermiştir.

In this thesis, it was aimed to predict the output parameters of photovoltaic panels with different nominal powers, such as power and efficiency, depending on cell temperature by using empirical models and machine learning approaches. In this context, 25 W, 50 W, and 80 W monocrystalline PV panels were experimentally investigated under outdoor conditions in Siirt. During the experiments, solar irradiance, ambient temperature, wind speed, cell temperature, current, and voltage values were measured simultaneously; power and efficiency values were then calculated using the obtained data. In the study, empirical power and efficiency models widely used in the literature were first compared with the experimental data. In empirical power prediction, the T3 model was found to provide the most successful and balanced results for all panel powers. In empirical efficiency prediction, model performance varied depending on panel power; however, the V6 model was evaluated as a generally applicable model since it provided balanced results across different panel powers. Machine learning analyses were performed using LR, RF, SVR, and XGBoost models, and the performances of these models were evaluated using R² and RMSE metrics. In power prediction, the RF model generally demonstrated the most balanced and robust performance. In efficiency prediction, the XGBoost model stood out for the 25 W panel, the LR model for the 50 W panel, and the RF model for the 80 W panel. The results showed that cell temperature is an important parameter in predicting PV panel power and efficiency; empirical models are effective for practical estimations, while machine learning models are effective in representing nonlinear relationships.