Eryılmaz, BerrinKılıç, HeybetKoçyiğit, Fatih2023-11-032023-11-032023Eryılmaz, B., Kılıç, H. ve Koçyiğit, F. (2023). Makine öğrenimi tabanlı kısa vadeli fotovoltaik çıkış gücü tahminlemesi. EMO Bilimsel Dergi, 13(2), 57-69.1309-5501https://search.trdizin.gov.tr/tr/yayin/detay/1190877https://hdl.handle.net/11468/13045Fosil yakıt kaynaklarının sınırlı olması ve çevreye zararlı etkilerinin olması nedeniyle fotovoltaik (PV) sistemlerinin kurulumuna olan ihtiyaç giderek artmaktadır. PV sistemlerinin hava koşularına bağımlılığı PV güç çıkışlarında kararsızlığa, gerilim, frekans dalgalanmaları ve kesintilere neden olmaktadır. Bu durum ise PV enerjisinin şebekelere entegrasyonunu zorlaştırmaktadır. Bu yüzden PV güç çıkışını önceden kısa süreli tahmin etmek karşılaşılan zorlukların üstesinden gelmek için çok önemlidir. Bu çalışmanın amacı, literatürde makine öğrenimi modellerinde yaygın olan aşırı öğrenme ve yavaş öğrenme dezavantajlarının üstesinden gelerek daha hızlı öğrenen ve yüksek doğrulukta performans gösteren Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı (GD-RVFL) ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli 10 farklı makine öğrenimi yöntemi olan Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Yapay Sinir Ağı (YSA), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) ve Ridge Regressor (RR) yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir. Yapılan bu karşılaştırma sonucunda GDRVFL’ nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür.The need for the installation of photovoltaic (PV) systems is increasing due to the limited resources of fossil fuels and their harmful effects on the environment. The dependence of PV systems on weather conditions causes instability, voltage, frequency fluctuations and interruptions in PV power outputs. This situation complicates the integration of PV energy into the grids. Therefore, short-term forecasting of PV power output is crucial to overcoming the challenges. The aim of this study is to use the Robust Arranged Random Vector Function Interconnect (GD-RVFL) network model, which learns faster and performs with high accuracy, overcoming the excessive learning and slow learning disadvantages that are common in machine learning models in the literature, to predict the shortterm PV output power and in this context. Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Artificial Neural Network (ANN), Gradient To evaluate the performance of the models by comparing them with the Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) and Ridge Regressor (RR) methods. As a result of this comparison, it was seen that the efficiency of GD-RVFL significantly outperformed the other 10 machine learning models.trinfo:eu-repo/semantics/openAccessGD-RVFLNKKAMakine öğrenimiPV çıkış gücü tahminiCCAMachine learningPV output predictionArticle1325769WOS:000471774000025119087730981636Q3