Doğru ışınım tahmini, fotovoltaik (PV) santralinin verimliliğini arttırarak şebekenin etkin bir şekilde programlanmasına ve güç kalitesinin iyileştirilmesine olanak sağlar. Bu çalışma, güneş enerjisi bakımından verimli bir yer olan Hakkâri ilinde kurulan bir meteoroloji ölçüm istasyonu verileri aracılığıyla küresel güneş ışınım tahmininde yapay sinir ağları (YSA) parametrelerinin potansiyelini göstermektedir. Meteoroloji istasyonundan zaman serisine bağlı olarak ölçülen, rüzgâr hızı, sıcaklık, basınç ve nem parametreleri kullanılarak eş zamanlı gerçekleşen güneş ışınım değerleri YSA modeli oluşturularak tahmin edilmiştir. Oluşturulan model YSA’da yaygın olarak kullanılan çeşitli eğitim algoritmaları ve aktivasyon fonksiyonları ile denenmiş ve en iyi sonuç elde edilmeye çalışılmıştır. Kullanılan modelin performansı istatistiksel göstergeler kullanılarak değerlendirilmiştir. Kullanılan veri seti parametrelerine göre güneş ışınım tahmininde, “trainlm” eğitim algoritması ile “poslin” aktivasyon fonksiyonu kullanılarak oluşturulan model 0,97 regresyon değeri, %1,16 ortalama kare hatası (MSE) ve %0,0881 normalize kök ortalama kare hatası (nRMSE) değeri ile güneş ışınım tahmininde en iyi performansı göstermiştir.

This study investigates the impact that uncertainties in photovoltaic (PV) performance under a variety of solar irradiance scenarios have on the expected power losses that occur when probabilistic distribution network restrictions are taken into consideration. Through the use of Teaching–Learning–Based Optimization (TLBO) and Monte Carlo Simulation (MCS) in conjunction with an emphasis on chance-constrained approaches, this study contributes to the enhancement of the body of literature for optimal PV installation in distribution networks. The outputs of the optimization are validated using MCS under a variety of uncertainty scenarios, and the variables of the distribution network are evaluated in terms of the probability of exceeding constraints. This is done in order to demonstrate that the suggested technique is effective. A comparison is made between the outcomes of TLBO and the implementation of Artificial Bee Colony (ABC) technique, which make use of probabilistic evaluation and modeling. It has been shown via simulation that the TLBO methodology is superior than the ABC method in terms of efficiently minimizing power losses.

PV sistemlerin çıkış gücü, temel olarak güneş ışınımına ve diğer atmosferik koşullara bağlıdır. Bu çalışmada, Türkiye’nin Güneydoğusunda yer alan Hakkâri ilinde ölçülmüş olan meteorolojik veriler, tahminleme çalışmalarında yaygın olarak kullanılan Yapay Sinir Ağları (YSA) modelinde giriş değişkenleri olarak değerlendirmeye alınmış olup, bu modelin çıkışında güneş ışınımının tahmin değerleri belirlenmiştir. Farklı atmosferik koşullarda maksimum gücün belirlenebilmesi için DC – DC yükseltici (boost) güç elektroniği dönüştürücüsüne uygulanan artımlı iletkenlik maksimum güç noktası izleme (MPPT) algoritması bulunan PV sistemin Matlab / Simulink modeli göz önünde bulundurulmuştur. Gerçek güneş ışınımı, ortam sıcaklığı ile YSA modelinde tahmin edilen güneş ışınımı değerleri ayrı ayrı göz önüne alınarak Matlab / Simulink ortamındaki PV sistemin çıkış güçleri hesaplanmıştır. İlk olarak gerçek güneş ışınımı ve ortam sıcaklığı değerleri daha sonra ise tahmin edilen güneş ışınımı ve ortam sıcaklığı değerleri, ilgili PV sistem modelinde ele alınarak belirlenen PV sistem çıkış güçleri karşılaştırılmıştır. Karşılaştırma sonuçları literatürde yaygın olarak kullanılan değerlendirme metrikleri ile hesaplanmış ve güneş ışınımı için 0,9705 ve PV sistem çıkış gücü için 0,9668 belirleme katsayısı (R2) değeri ile başarılı sonuçlar elde edilmiştir.