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

Year 2019, Volume: 1 Issue: 2, 186 - 195, 15.12.2019

Ahmet Oğuz Gök Ceyhun Yıldız Mustafa Şekkeli

Abstract

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

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

Abstract

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. 

Keywords

Güneş Enerjisi Santrali, Üretim Tahmini, Yapay Sinir Ağı

References

• 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).