ANFIS ve K-Katlı Çapraz Doğrulama Yöntemi ile Güneş Enerji Santrali Üretim Değerlerinin Tahmin Edilmesi

Yıl 2025, Cilt: 7 Sayı: 3, 382 - 395, 31.12.2025

Cansu Çekmen , Ali Osman Özkan , Mustafa Sacid Endiz

https://doi.org/10.47112/neufmbd.2026.100

Öz

Bu çalışmada, güneş enerji santrallerinin üretim değerlerinin doğru bir şekilde tahmin edilebilmesi amacıyla, yapay zekâ tabanlı modelleme tekniklerinden biri olan uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS) ile K-katlı çapraz doğrulama yöntemi, MATLAB yazılım ortamı kullanılarak uygulanmıştır. Çalışmanın ilk aşamasında, veriler eğitim ve test için ayrılmadan doğrudan ANFIS'e yüklenmiş ve K-katlı çapraz doğrulama yöntemi uygulanmaksızın tahmin süreci yürütülmüştür. Bu aşamada, küme sayısı arttıkça hata oranlarının azaldığı gözlemlenmiş; ancak, verilerin tamamının modele verilmesi sonucu modelin gerçek veriye fazlasıyla yakın sonuçlar üretmesi, genellenebilirlik açısından sınırlı bulunmuştur. Bu nedenle, çalışmanın esas amacı doğrultusunda, veri seti K-katlı çapraz doğrulama yöntemi ile bölünerek, sınırlı veriyle en doğru sonuca ulaşılması hedeflenmiştir. Çalışmada ayrıca, ANFIS uygulamasında küme sayısının artırılması ya da azaltılması durumunda tahminsel doğruluğun nasıl değiştiği analiz edilmiş ve en uygun küme sayısı belirlenmeye çalışılmıştır. Tahminlerin başarısı, gerçek üretim verileriyle karşılaştırılarak ve Ortalama Mutlak Yüzde Hata (MAPE) hesaplanarak değerlendirilmiştir. Sonuçlar, küme sayısı arttıkça modelin öğrenme performansının artmasına rağmen genelleme kabiliyetinin azaldığını göstermiştir. Bu çalışma, yenilenebilir enerji alanında çalışan birey ve kurumlar için, güneş enerji santrali üretim değerlerinin daha isabetli tahmin edilebilmesi adına önemli katkılar sunmaktadır.

Anahtar Kelimeler

Güneş Enerji Santrali , ANFIS , K-Katlı Çapraz Doğrulama , Tahmin

Forecasting of Solar Power Generation Using ANFIS and K-Fold Cross-Validation

Öz

In this study, in order to accurately predict the production values of solar power plants, one of the artificial intelligence-based modeling techniques, ANFIS (Adaptive Neuro-Fuzzy Inference System), along with the K-fold cross-validation method, was implemented using the MATLAB software environment. In the initial phase, data were loaded into ANFIS without being split into training and testing sets, and forecastings were made without applying the K-fold cross-validation method. It was observed that increasing the number of clusters led to a decrease in error rates; however, using the entire dataset without division caused the model to produce results overly close to the actual data, thereby limiting its generalizability. To address this, the K-fold cross-validation method was applied to partition the dataset, aiming to achieve the most accurate results with limited data. The study also examined how increasing or decreasing the number of clusters affected forecasting accuracy, with the goal of determining the optimal number of clusters. The performance of the forecasting was evaluated by comparing them with actual production data and calculating the Mean Absolute Percentage Error (MAPE). The results indicated that although increasing the number of clusters improved the model’s learning performance, it reduced its ability to generalize. This study offers valuable insights for individuals and institutions working in the field of renewable energy, providing a framework for accurately forecasting solar power plant production values.

Anahtar Kelimeler

Solar Power Plant , ANFIS , K-Fold Cross-Validation , Forecasting

Kaynakça

• R. Seminario-Córdova, R. Rojas-Ortega, Renewable energy sources and energy production: A bibliometric analysis of the last five years, Sustainability. 15 (2023), 10499. doi:10.3390/su151310499
• T.-Z. Ang, M. Salem, M. Kamarol, H. S. Das, M. A. Nazari, N. Prabaharan, A comprehensive study of renewable energy sources: Classifications, challenges and suggestions, Energy Strategy Reviews. 43 (2022), 100939. doi:10.1016/j.esr.2022.100939.
• C. Çekmen, Güneş enerji santrali üretim değerlerinin bulanık mantık yöntemi kullanılarak analiz edilmesi, Yüksek Lisans Tezi, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Anabilim Dalı, Konya, 2024.
• B. K. Sahu, A study on global solar PV energy developments and policies with special focus on the top ten solar PV power producing countries, Renewable and Sustainable Energy Reviews. 43 (2015), 621–634. doi:10.1016/j.rser.2014.11.073.
• B. Akgayev, S. Akbayrak, M. Yılmaz, M. S. Büker, V. Unsur, Assessing the feasibility of photovoltaic systems in Türkiye: Technical and economic analysis of on-grid, off-grid, and utility-scale PV installations, Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 6 (2024), 69–92. doi:10.47112/neufmbd.2024.33
• E. Kabir, P. Kumar, S. Kumar, A. A. Adelodun, K.-H. Kim, Solar energy: Potential and future prospects, Renewable and Sustainable Energy Reviews. 82 (2018), 894–900. doi:10.1016/j.rser.2017.05.113
• A. O. Özkan, H. B. Demir, Fotovoltaik panellerde sıcaklık ve zenit açısının panel güç üretimine etkisi, Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 1 (2019), 1–9.
• M. T. Akkoyunlu, E. Polat, R. Özkılıçaslan, V. Keleş, Y. Abdallatif, A. Samancı, Güneş enerji santralinin temizlik sonrası üretim verilerinin incelenmesi, Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 6 (2024), 583–591. doi:10.47112/neufmbd.2024.67
• S. Ozan, E. Hazneci, Güneş enerjisi santrali desteğinin tarım işletmelerine etkileri: Ankara ili örneği, Uluslararası Tarım ve Yaban Hayatı Bilimleri Dergisi. 9 (2023), 358–369.
• H. Z. Al Garni, A. Awasthi, Solar PV power plants site selection: A review, Advances in Renewable Energies and Power Technologies. (2018), 57–75.
• İ. Üçgül, R. Selbaş, Ö. Kızılkan, R. Şenol, H. Karakoç, Elektrik enerjisi üretiminde güneş kulesi sisteminin yapay sinir ağlarıyla modellenmesi, içinde: Yenilenebilir Enerji Kaynakları Sempozyumu, İzmir, Türkiye, 2003: s. 264–275.
• F. O. Hocaoğlu, M. Kurban, Adaptif ağ tabanlı bulanık mantık çıkarım sistemi ile Eskişehir bölgesi için güneşlenme süreleri tahmini, içinde: EEBM 11. Ulusal Kongresi, Eskişehir, Türkiye, 2005.
• M. A. Özpinar, Yenilenebilir enerji santrallerinde yapay sinir ağları yöntemiyle enerji üretiminin modellenmesi ve planlanması, Doktora Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, Makine Mühendisliği Anabilim Dalı, İstanbul, 2007.
• O. Odyakmaz, Yenilenebilir enerji kaynaklı santrallerde enerji üretimi ve denetimi, Doktora Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, Makine Mühendisliği Anabilim Dalı, İstanbul, 2008.
• L.-C. Ying, M.-C. Pan, Using adaptive network-based fuzzy inference system to forecast regional electricity loads, Energy Conversion and Management. 49 (2008), 205–211. doi:10.1016/j.enconman.2007.06.007
• A. Azadeh, M. Saberi, A. Gitiforouz, Z. Saberi, A hybrid simulation-adaptive network-based fuzzy inference system for improvement of electricity consumption estimation, Expert Systems with Applications. 36 (2009), 11108–11117. doi:10.1016/j.eswa.2009.01.053
• Ö. Demirel, A. Kakilli, M. Tektaş, Anfis ve arma modelleri ile elektrik enerjisi yük tahmini, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 25 (2010), 3.
• S. Çevik, R. Çakmak, İ. H. Altaş, A day ahead hourly solar radiation forecasting by artificial neural networks: A case study for Trabzon province, içinde: 2017 International Artificial Intelligence and Data Processing Symposium (IDAP), IEEE, Malatya, Turkey, 2017: s. 1–6.
• A. Ulutaş, R. Çakmak, İ. H. Altaş, Hourly solar irradiation prediction by artificial neural network based on similarity analysis of time series, içinde: 2018 Innovations in Intelligent Systems and Applications Conference (ASYU), IEEE, Adana, Turkey, 2018: s. 1–6.
• S. Saud, B. Jamil, Y. Upadhyay, K. Irshad, Performance improvement of empirical models for estimation of global solar radiation in India: A k-fold cross-validation approach, Sustainable Energy Technologies and Assessments. 40 (2020), 100768. doi:10.1016/j.seta.2020.100768
• B. Elkari, Y. Chaibi, T. Kousksou, Random forest with feature selection and K-fold cross-validation for predicting the electrical and thermal efficiencies of air-based photovoltaic-thermal systems, Energy Reports. 12 (2024), 988–999. doi:10.1016/j.egyr.2024.02.018
• E. Ustundag, K. Kaysal, F. O. Hocaoglu, A novel meta-heuristic optimization procedure for LPF-based solar radiation forecasting, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. 47 (2025), 2554960. doi:10.1080/15567036.2025.2554960
• J.-S. R. Jang, ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man, and Cybernetics. 23 (1993), 665–685. doi:10.1109/21.256541
• R. Kohavi, A study of cross-validation and bootstrap for accuracy estimation and model selection, International Joint Conference on Artificial Intelligence. 14 (1995), 1137–1145.
• K. Cabello-Solorzano, I. Ortigosa de Araujo, M. Peña, L. Correia, A. J. Tallón-Ballesteros, "The impact of data normalization on the accuracy of machine learning algorithms: A comparative analysis," içinde: International Conference on Soft Computing Models in Industrial and Environmental Applications, Springer, Salamanca, Spain, 2023: s. 344–353.
• K. A. Sankpal, K. Metre, A review on data normalization techniques, International Journal of Engineering Research & Technology. 9 (2020), 1438.