TY  - JOUR
T1  - YAPAY ZEKÂ UYGULAMASI İLE GÜNEŞ PANELİ SİSTEMİ ENERJİ ÜRETİMİ TAHMİNİ
AU  - Aksoy, Bekir
AU  - Özer, Deniz
PY  - 2024
DA  - October
Y2  - 2024
DO  - 10.57120/yalvac.1543369
JF  - Yalvaç Akademi Dergisi
JO  - YADE
PB  - Isparta Uygulamalı Bilimler Üniversitesi
WT  - DergiPark
SN  - 2548-0820
SP  - 138
EP  - 151
VL  - 9
IS  - 2
LA  - tr
AB  - Güneş paneli teknolojisi, güneş enerjisini elektrik enerjisine dönüştürerek sürdürülebilir ve temiz enerji üretimini desteklemektedir. Yapay zekâ, bu süreçte veri analizi, enerji yönetimi ve panel verimliliğinin optimizasyonu gibi alanlarda önemli katkılar sunmaktadır. Bu iki teknolojinin entegrasyonu, enerji üretimi ve tüketiminde daha yüksek verimlilik sağlamayı mümkün kılmaktadır. Bu çalışmada, sensörler aracılığıyla veri toplayarak güneş panellerinin gerçek performansını yapay zekâ tabanlı tahminlerle karşılaştırmak ve makine öğrenmesi yöntemleri ile güneş paneli kurulumu için en uygun alanları belirlemek amaçlanmaktadır. Elde edilen tahminlerin doğruluğu yüksek olduğu takdirde, sensörler ve yapay zekâ kullanılarak güneş paneli kurulumu olmaksızın da potansiyel enerji üretiminin tahmin edilebilmesi hedeflenmektedir.
KW  - Güneş Paneli
KW  - Yapay Zekâ
KW  - Makine Öğrenmesi
CR  - [1] Çetin, Ö., & Isık, A. H. (2022). Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(Ek (Suppl.) 1), 382-387.
CR  - [2] Koç, E., & Kaya, K. (2015). Enerji kaynaklari–yenilenebilir enerji durumu. Mühendis ve Makina, 56(668), 36-47.
CR  - [3] Mastar, E. (2011). Güneş panelleri için güneş takip mekanizmasının tasarımı (Master's thesis, Bursa Uludag University (Turkey)).
CR  - [4] Akal, D., & Umut, İ. (2022). Fotovoltaik Panellerde Güç Tahminlenmesi için Yapay Zekâ Yöntemlerinin Kullanılması. Tekirdağ Ziraat Fakültesi Dergisi, 19(2), 435-445.
CR  - [5] Pirim, A. G. H. (2006). Yapay zekâ . Yaşar Üniversitesi E-Dergisi, 1(1), 81-93.
CR  - [6] Ozkahraman, M., Yilmaz, C., & Livatyali, H. (2021). Design and validation of a camera-based safety system for fenceless robotic work cells. Applied Sciences, 11(24), 11679.
CR  - [7] Akoglan, C. (2024). Dil, Düşünce ve Turing: Davidson’ın Makine Zekâ sının Sınırlarına İlişkin Görüşleri. Felsefe Dünyası (79), 147-164.
CR  - [8] Aylak, B. L., & Oral, O. (2021). Yapay zekâ ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı. El-Cezeri, 8(1), 74-93.
CR  - [9] Arslankaya, S., & Toprak, Ş. (2021). Makine Öğrenmesi ve Derin Öğrenme Algoritmalarını Kullanarak Hisse Senedi Fiyat Tahmini. International Journal of Engineering Research and Development, 13(1), 178-192.
CR  - [10] Turgut, A., Temir, A., Aksoy, B., & Özsoy, K. (2019). YAPAY ZEKÂ YÖNTEMLERİ İLE HAVA SICAKLIĞI TAHMİNİ İÇİN SİSTEM TASARIMI VE UYGULAMASI. International Journal of 3D Printing Technologies and Digital Industry, 3(3), 
244-253.
CR  - [11] Güç, R. (2016). Bilecik ili için güneş enerjisi analizi ve yapay sinir ağları ile hava sıcaklığı tahmini (Master's 
thesis, Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü).
CR  - [12] Gün, Ali Riza. (2023). Kısa Dönemli Fotovoltaik Güç Tahmini İçin Geliştirilen Yenilikçi Bir Hibrit Modelin Analizi 
ve Uygulaması. (Yayımlanmamış Doktora Tezi). Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü, Bilecik.
CR  - [13] Reşat, H. G. (2020). Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez 
tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi 
Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1129-1140.
CR  - [14] Macit Sezikli, N. (2023). Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik 
veriler kullanılarak tahmin analizi (Master's thesis, İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü).
CR  - [15] Akı, O., & Akal, T. T. DESTEK VEKTÖR REGRESYON (SVR) YÖNTEMİ KULLANILARAK HAFTALIK DÖNEMDE 
FOTOVOLTAİK PANEL ENERJİ TAHMİNİ.
CR  - [16] Yüzer, E. Ö., Bozkurt, A., & Barutçu, İ. Ç. (2023). FOTOVOLTAİK SİSTEM ÇIKIŞ GÜCÜNÜN YAPAY SİNİR AĞLARI VE 
MATLAB/SİMULİNK MODELLERİNİN ENTEGRASYONU İLE BELİRLENMESİ. Mühendislik Bilimleri Ve Tasarım Dergisi, 11(2), 
551-563.
CR  - [17] Uğuz, S., Oral, O., & Çağlayan, N. (2019). PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi 
Metotları Kullanılarak Tahmin Edilmesi. International Journal of Engineering Research and Development, 11(3), 
769-779.
CR  - [18] Aslan, S., & Yıldız, T. (2022). Makine öğrenmesinde rastgele oran ve sıralı küme örneklemesi yöntemlerinin 
doğrusal regresyon modellerine etkisi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 
24(70), 29-36.
CR  - [19] Wang, F. K., & Mamo, T. (2020). Gradient boosted Regresyon model for the degradation analysis of 
prismatic cells. Computers & Industrial Engineering, 144, 106494.
CR  - [20] Çetiner, H., & Kara, B. (2022). Recurrent neural network based model development for wheat yield 
forecasting. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 9(16), 204-218.
CR  - [21] Shcherbakov, M. V., Brebels, A., Shcherbakova, N. L., Tyukov, A. P., Janovsky, T. A., & Kamaev, V. A. E. (2013). A 
survey of forecast error measures. World applied sciences journal, 24(24), 171-176.
UR  - https://doi.org/10.57120/yalvac.1543369
L1  - https://dergipark.org.tr/tr/download/article-file/4189788
ER  -