Fotovoltaik Güç Tahmininde Dense ve SimpleRNN Modellerinin Karşılaştırmalı Analizi
Abstract
Bu çalışmada, fotovoltaik (PV) sistemlerde kısa vadeli güç üretim tahmini için kullanılan iki farklı yapay sinir ağı mimarisi olan Dense ve SimpleRNN modelleri karşılaştırılmıştır. Analiz, Türkiye’nin farklı iklim bölgelerinde konumlandırılmış üç farklı kapasitedeki PV sistemin (72,8 kWp, 49,6 kWp ve 3,3 kWp batarya entegreli hibrit sistem) 2024 yılına ait gerçek saha verileri kullanılarak gerçekleştirilmiştir. Modeller, ortalama kare hata (MSE) kayıp fonksiyonu ve Adam optimizasyon algoritması ile eğitilmiş; performans değerlendirmesi MAPE, R², MAE ve RMSE metrikleri üzerinden gerçekleştirilmiştir. Ayrıca aynı deneysel koşullarda LSTM modeli referans olarak değerlendirilmiştir. Elde edilen sonuçlar, Dense modelin her üç sistemde de SimpleRNN’den daha düşük RMSE değerleri ürettiğini ancak bazı sistemlerde MAPE sonuçlarının farklı bir eğilim gösterebildiğini ve her iki basit mimarinin de mutlak performansının sınırlı kaldığını ortaya koymaktadır. Bu bulgular, PV güç tahmin uygulamalarında model seçiminde yalnızca mimari karmaşıklığın değil, veri boyutu ve sistem karakteristiklerinin de dikkate alınması gerektiğine işaret etmektedir.
Keywords
Fotovoltaik güç tahmini, Dense Neural Network, SimpleRNN, Derin öğrenme
Thanks
References
- [1] H. Alharkan, S. Habib, and M. Islam, “Solar power prediction using dual stream CNN-LSTM architecture,” Sensors, vol. 23, no. 2, Art. no. 945, 2023. doi: 10.3390/s23020945.
- [2] M. S. Ibrahim, S. M. Gharghory, and H. A. Kamal, “A hybrid model of CNN and LSTM autoencoder-based short-term PV power generation forecasting,” Electr. Eng., vol. 106, pp. 4239–4255, 2024. doi: 10.1007/s00202-023-02220-8.
- [3] R. Li, M. Wang, W.-X. Sheng, M.-J. Wang, and Q. Zhang, “Prediction of distributed photovoltaic power based on CNN-LSTM-attention fusion model,” in Proc. 2024 Int. Symp. Electr., Electron. Inf. Eng. (ISEEIE), 2024, pp. 541–545. doi: 10.1109/ISEEIE62461.2024.00104.
- [4] F. M. Bianchi, E. Maiorino, M. C. Kampffmeyer, A. Rizzi, and R. Jenssen, Recurrent Neural Networks for Short-Term Load Forecasting: An Overview and Comparative Analysis. Cham, Switzerland: Springer, 2017. doi: 10.1007/978-3-319-70338-1.
- [5] Z. Li, Y. Li, Y. Liu, P. Wang, R. Lu, and H. B. Gooi, “Deep learning based densely connected network for load forecasting,” IEEE Trans. Power Syst., vol. 36, no. 4, pp. 2829–2840, 2021. doi: 10.1109/TPWRS.2020.3048359.
- [6] İ. H. Şenol, Ş. Bilgin, and K. Bilgin, “Güneş enerji sistemi yıllık üretim verileri veri seti,” unpublished data, VAWTTURK Enerji İnşaat Müh. Hiz. ve Tic. Ltd. Şti., Trabzon, Turkey, 2025.
- [7] K. Çilli, “Kocaeli bölgesi güneş enerji sistemi 2024 yılı 12 aylık üretim verileri,” unpublished data, Technicall Yenilenebilir Enerji Dan. Tic. Ltd. Şti., Kocaeli, Turkey, Mar. 27, 2025.
- [8] A. Zheng and A. Casari, Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, 1st ed. Sebastopol, CA, USA: O’Reilly Media, 2018.
- [9] C. Voyant, G. Notton, S. Kalogirou, M.-L. Nivet, C. Paoli, F. Motte, and A. Fouilloy, “Machine learning methods for solar radiation forecasting: A review,” Renew. Energy, vol. 105, pp. 569–582, 2017. doi: 10.1016/j.renene.2016.12.095.
- [10] R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 2nd ed. Melbourne, Australia: OTexts, 2018. [Online]. Available: https://otexts.com/fpp2/. Accessed: Apr. 28, 2026.