Fotovoltaik Güç Tahmininde CNN ve CNN-LSTM Tabanlı Derin Öğrenme Modellerinin Karşılaştırılması

Öz

Bu çalışma, fotovoltaik(PV) enerji tahmini için Evrişimsel Sinir Ağları(CNN) ve hibrit CNN-LSTM mimarilerinin sistematik ve kontrollü bir karşılaştırmasını sunmaktadır. Son yıllarda, artan mimari karmaşıklığın tahmin performansını iyileştirdiği varsayımıyla hibrit derin öğrenme modelleri sıklıkla benimsenmiştir. Bununla birlikte, bu varsayım, esas olarak yerel ve periyodik zamansal kalıplar tarafından yönetilen PV enerji üretimi için titizlikle doğrulanmamıştır. Analiz, Türkiye'nin farklı iklim bölgelerinde bulunan üç gerçek dünya PV sisteminden 2024 yılında toplanan bir yıllık aylık toplu meteorolojik ve elektrik üretim verileri kullanılarak gerçekleştirilmiştir. Sistemler, 72,8 kWp ve 49,6 kWp kapasiteli iki şebekeye bağlı tesisin yanı sıra 3,3 kWp'lik batarya entegre hibrit bir sistemi içermektedir. Adil bir karşılaştırma sağlamak için, her iki model de aynı veri kümeleri, ön işleme hattı, eğitim yapılandırması ve değerlendirme ölçütleri de dahil olmak üzere aynı koşullar altında eğitilmiş ve değerlendirilmiştir. Tahmin performansı, Ortalama Mutlak Yüzde Hatası (MAPE) ve belirleme katsayısı (R²) kullanılarak değerlendirilmiştir. Sonuçlar, bağımsız CNN modelinin tüm sistemlerde CNN-LSTM mimarisine göre sürekli olarak daha iyi performans gösterdiğini ve %2,06 ile %2,92 arasında MAPE değerlerine ulaştığını, CNN-LSTM modelinin ise %4,19 ile %4,87 arasında daha yüksek hatalar ürettiğini göstermektedir. Bu bulgular, aylık çözünürlükte PV enerji üretiminin büyük ölçüde tekrarlayan ve yerelleştirilmiş zamansal kalıplarla karakterize olduğunu ve bunların evrişimsel özellik çıkarımı yoluyla etkili bir şekilde yakalanabileceğini göstermektedir. LSTM katmanlarının eklenmesi, ölçülebilir performans iyileştirmeleri sağlamadan ek model karmaşıklığı getirmektedir.

Anahtar Kelimeler

• Fotovoltaik Güç Tahmini
• Fotovoltaik Enerji Santralleri
• Derin Öğrenme
• Evrişimsel Sinir Ağları
• CNN–LSTM
• Veri Artırma
• Aylık Tahmin

Destekleyen Kurum

Yok

Etik Beyan

Bu çalışmanın hazırlanma sürecinde bilimsel ve etik ilkelere uyulduğu ve yararlanılan tüm çalışmaların kaynakçada belirtildiği beyan olunur.

Teşekkür

Bu çalışmada kullanılan güneş enerji sistemi üretim verilerinin sağlanmasındaki değerli katkılarından dolayı VAWTTURK Enerji İnşaat Müh. Hiz. ve Ticaret Ltd. Şti. (Trabzon) yetkililerine ve Technicall Yenilenebilir Enerji Dan. Tic. Ltd. Şti. (Kocaeli) firması yetkililerine çalışmanın sağlanabilmesi için verdikleri üretim verilerinden dolayı teşekkürlerimizi sunarız.

Comparison of CNN and CNN-LSTM Based Deep Learning Models in Photovoltaic Power

Öz

This study presents a systematic and controlled comparison of Convolutional Neural Networks(CNN) and hybrid CNN–LSTM architectures for photovoltaic(PV) power forecasting. In recent years, hybrid deep learning models have often been adopted under the assumption that increased architectural complexity leads to improved forecasting performance. However, this assumption has not been rigorously validated for PV power generation, which is primarily governed by localized and periodic temporal patterns. The analysis is conducted using one year of monthly aggregated meteorological and electrical production data collected in 2024 from three real-world PV systems located in different climatic regions of Türkiye. The systems include two grid-connected installations with capacities of 72.8 kWp and 49.6 kWp, as well as a 3.3 kWp battery-integrated hybrid system. To ensure a fair comparison, both models were trained and evaluated under identical conditions, including the same datasets, preprocessing pipeline, training configuration, and evaluation metrics. Forecasting performance was assessed using Mean Absolute Percentage Error (MAPE) and the coefficient of determination (R²). The results demonstrate that the standalone CNN model consistently outperforms the CNN–LSTM architecture across all systems, achieving MAPE values between 2.06% and 2.92%, while the CNN–LSTM model yields higher errors ranging from 4.19% to 4.87%. These findings suggest that PV power generation at monthly resolution is largely characterized by repetitive and localized temporal patterns that can be effectively captured through convolutional feature extraction. The inclusion of LSTM layers introduces additional model complexity without providing measurable performance improvements.

Anahtar Kelimeler

• Photovoltaic Power Estimation
• Photovoltaic Power Plants
• Deep learning
• Convolutional neural networks
• CNN–LSTM
• Data Augmentation
• Monthly Forecasting

Destekleyen Kurum

None

Etik Beyan

It is declared that scientific and ethical principles were followed during the preparation of this study and that all studies used are stated in the bibliography.

Teşekkür

We would like to express our gratitude to the officials of VAWTTURK Enerji İnşaat Müh. Hiz. ve Ticaret Ltd. Şti. (Trabzon) and Technicall Yenilenebilir Enerji Dan. Tic. Ltd. Şti. (Kocaeli) for their valuable contributions in providing the solar energy system production data used in this study.

Kaynakça

1. Ahmed, R., Sreeram, V., Mishra, Y., & Arif, M. D. (2020). A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization. Renewable and Sustainable Energy Reviews, 124, 109792.
2. T.C. Enerji ve Tabii Kaynaklar Bakanlığı. (2023). Türkiye Ulusal Enerji Planı. https://enerjiverimliligi.enerji.gov.tr/template/dist/pdf/T%C3%BCrkiye_Ulusal_Enerji_Plan%C4%B1.pdf, (Erişim tarihi: 01.10.2025).
3. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25.
4. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
5. Agga, A., Abbou, A., Labbadi, M., El Houm, Y., & Ali, I. H. O. (2022). CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research, 208, 107908.
6. Korkmaz, D. (2021). SolarNet: A hybrid reliable model based on convolutional neural network and variational mode decomposition for hourly photovoltaic power forecasting. Applied Energy, 300, 117410.
7. Mellit, A., Pavan, A. M., Ogliari, E., Leva, S., & Lughi, V. (2021). Deep learning neural networks for short-term photovoltaic power forecasting. Renewable and Sustainable Energy Reviews, 149, 111315.
8. Zang, H., Cheng, L., Ding, T., Cheung, K. W., Wei, Z., & Sun, G. (2020). Short-term global horizontal irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations. Renewable Energy, 160, 26–37.

9. Abdel-Nasser, M., & Mahmoud, K. (2019). Accurate photovoltaic power forecasting models using deep LSTM-RNN. Neural Computing and Applications, 31, 2727–2740.
10. Wang, F., Xuan, Z., Zhen, Z., Li, K., Wang, T., & Shi, M. (2022). A day-ahead PV power forecasting method based on LSTM-RNN model and time correlation modification. Energy Conversion and Management, 212, 112766.
11. Limouni, T., Yaagoubi, R., Bouziane, K., Guissi, K., & Baali, E. H. (2023). Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model. Renewable Energy, 205, 1010–1024.
12. Qu, J., Qian, Z., & Pei, Y. (2021). Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables prediction pattern. Energy, 232, 120996.
13. Huang, X., Li, Q., Tai, Y., Chen, Z., Liu, J., Shi, J., & Liu, W. (2023). Hybrid deep neural model for hourly solar irradiance forecasting. Renewable Energy, 171, 1041–1060.
14. Sharadga, H., Hajimirza, S., & Balog, R. S. (2020). Time series forecasting of solar power generation for large-scale photovoltaic plants. Renewable Energy, 150, 797–807.
15. Wang, K., Qi, X., & Liu, H. (2019). A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network. Applied Energy, 251, 113315.
16. Kim, T. Y., & Cho, S. B. (2019). Predicting residential energy consumption using CNN-LSTM neural networks. Energy, 182, 72–81.
17. Şenol, İ. H., Bilgin, Ş., & Bilgin, K. (2025). SES-1 and SES-2 solar energy system annual production data for academic research [Formal data sharing agreement, Ref. No: VWTT-2025-03]. VAWTTURK Enerji İnşaat Müh. Hiz. ve Ticaret Ltd. Şti., Trabzon.
18. Çilli, K. (2025). Kocaeli region hybrid PV system 2024 monthly production data for academic research [Formal data sharing agreement, Ref. No: TCRE-2025-03]. Technicall Yenilenebilir Enerji Dan. Tic. Ltd. Şti.,
19. Zheng, A., & Casari, A. (2018). Feature engineering for machine learning: Principles and techniques for data scientists. O’Reilly Media, Inc., USA.
20. Voyant, C., Notton, G., Kalogirou, S., Nivet, M. L., Paoli, C., Motte, F., & Fouilloy, A. (2017). Machine learning methods for solar radiation forecasting: A review. Renewable Energy, 105, 569–582.
21. Fan, X., Wang, R., Yang, Y., & Wang, J. (2024). Transformer–BiLSTM fusion neural network for short-term PV output prediction based on NRBO algorithm and VMD. Applied Sciences, 14(24).
22. Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control. John Wiley & Sons, USA.
23. VanDeventer, W., Jamei, E., Thirunavukkarasu, G. S., Seyedmahmoudian, M., Soon, T. K., Horan, B., & Stojcevski, A. (2019). Short-term PV power forecasting using hybrid GASVM technique. Renewable Energy, 140, 367–379.