Güneş enerjisi santralleri, temiz ve sürdürülebilir enerji taleplerini karşılama konusunda önemli bir rol oynar. Ancak değişken hava koşulları, mevsimsel etkiler ve benzeri faktörler, fazla üretilen enerjinin depolanması veya eksik enerjiden kaynaklanan maliyetlerle sonuçlanabilir. Bu durumlar, güneş enerjisi üretiminde verimsizliklere yol açabilir. Bu çalışmanın hedefi, meteoroloji ve güneş enerji panellerinden elde edilen verileri kullanarak makine öğrenmesi yöntemleriyle enerji üretimini tahmin etmek, verimliliği artırmak ve daha sürdürülebilir enerji stratejileri geliştirmektir. Bu çalışma, mevcut modellerin elde ettiği sonuçları değerlendirmeyi ve başarılarını karşılaştırmayı amaçlamaktadır. En yüksek R2 puanını alan Random Forest algoritması, aynı zamanda MSE, RMSE ve MAE değerlerinde de önemli ölçüde düşük sonuçlar elde etmistir. Bu da Random Forest algoritmasının bu çalışmada kullanılan algoritmalar arasında en iyi performans gösterdiğini göstermektedir. Bu başarı sıralamasını Karar Ağaçları ve K-En Yakın Komşu izlemektedir.
Solar energy power plants play a significant role in meeting the demand for sustainable and clean energy. However, variable weather conditions, seasonal effects, and similar factors can result in the need for energy overproduction to be stored or lead to costs associated with energy deficiency. These situations can result in inefficiencies in solar energy production. The objective of this study is to predict energy production, increase efficiency, and develop more sustainable energy strategies by using machine learning methods with data obtained from meteorological and solar energy panels. This study aims to assess the results achieved by existing models and compare their successes. The Random Forest algorithm, which achieved the highest R2 score, also obtained significantly lower values for MSE, RMSE, and MAE. This indicates that the Random Forest algorithm performs the best among the algorithms used in this study. This ranking of success is followed by Decision Trees and K-Nearest neighbors.
