Fotovoltaik Verilerin Tahminlemesinde Hiper Parametre Etkisinin İncelenmesi
EMO Bilimsel Dergi, cilt.15, sa.1, ss.27-40, 2025 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 15 Sayı: 1
- Basım Tarihi: 2025
- Dergi Adı: EMO Bilimsel Dergi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.27-40
- Van Yüzüncü Yıl Üniversitesi Adresli: Evet
Özet
Günümüzde yenilebilir enerji kaynaklarına olan ihtiyaç her gün biraz daha artmaktadır. Bu çalışmanın amacı yenilebilir enerji kaynağı olan fotovoltaik enerji üretiminde, kullanılan tahminleme modelleri için uygun hiper parametre seçiminin tespit edilmesidir. Çalışma kapsamında gerçek bir fotovoltaik veri seti üzerinde tahminleme yapılmaktadır. Tahminleme için kullanılan dört model seçilmiş ve bu modellerin başarımına etki eden hiper parametrelerin bulunarak modellerin fotovoltaik veriler için alan adaptasyonu araştırılmıştır. Seçilen modeller Gause Süreç Regresyonu(GSR), Ridge Çekirdek Regresyonu(RÇR), Destek Vektör Regresyonu (DVR), Çok Katmanlı Algılayıcı (ÇKA)’dır. Yapılan çalışma sonucunda fotovoltaik verilerde kullanılan tahmin modellerinde hiper parametre optimizasyonunun model başarısına önemli bir etkisi olduğu bulgusuna ulaşılmıştır. GSR modeli %99.9, RÇR modeli %99.9, SVR modeli %99.4 ve ÇKA modeli %89.3 başarı göstermiştir. Bu çalışma ile, modellerde kullanılan hiper parametre seçiminin, model tahmin başarısını doğrudan etkilediği ve fotovoltaik verilerin tahminlemesinde kullanılması gereken hiper parametreler ortaya konulmuştur. Bu çalışma, fotovoltaik veri tahmini üzerinde çalışan diğer çalışmalara önemli bir katkı sağlayacaktır.
Nowadays, the need for renewable energy resources is increasing daily. This study aims to determine the appropriate hyper-parameter selection for the prediction models used in photovoltaic energy production, a renewable energy source. Within the scope of the paper, predictions are made on a real photovoltaic data set. Four models used for estimation were selected and the field adaptation of the models for photovoltaic data was investigated by finding the hyper- parameters affecting the performance of these models. The used models are Gause Process Regression (GPR), Kernel Ridge Regression ( KRR), Support Vector Regression (S VR), and Multilayer Perceptron (MLP). As a result of the study, it was found that hyper-parameter optimization has a significant impact on model success in prediction models used in photovoltaic data. The GPR model showed 99.9% success, the KRR model 99.9%, the SVR model 99.4%, and the MLP model 89.3%. With this study, it has been revealed that the hyper- parameter selection used in the models directly affects the model prediction success and the hyper-parameters that should be used to predict photovoltaic data. This study will significantly contribute to other studies on photovoltaic data prediction.