Jaya Algoritması Kullanılarak Güneş Isınımı ve Fotovoltaik Toplam Güç Enerjisinin Tahmin için Optimize Edilmiş Random Forest Modeli

Abstract

Bu çalışma, Random Forest Algoritması ve JAYA metasezgisel optimizasyon algoritmasını birleştiren makine öğrenimi tabanlı bir çerçeve uygulayarak güneş enerjisi fotovoltaik veri kümelerini tahmin etmeye odaklanmaktadır. Yenilenebilir enerjinin artan önemi nedeniyle, üretilen güçleri en iyi sonuçlarla tahmin edebilecek etkili bir model çıkarmaya çalışacağız. Güneş ve fotovoltaik enerjinin doğru tahmini, sistem sahipleri ve enerji yöneticileri için planlama, verimlilik ve maliyet etkinliğini iyileştirmek açısından önemlidir. Verilerimizin makine öğrenimi ve analiz çalışmaları için hazır olduğundan emin olmak için bazı ön işleme adımları uygulayacağız. Ardından, Random Forest makine öğrenimi algoritmasını kullanarak tahmin modeli için önemli parametreleri belirleyeceğiz. Ardından, ulaşabileceğimiz en iyi çözümlere ulaşmak için JAYA metasezgisel algoritmasını kullanarak optimizasyon modeli için uygun parametreleri belirleme adımını tekrarlayacağız. Bu çalışma ayrıca, bu sürecin kalite oranı için ölçüt olarak R2, MSE ve MAE gibi belirli değerlendirme metriklerini alarak daha az hata içeren tahminlerin pratik etkisini vurgulamaktadır. Modeli iyileştirmeye çalışırken, bu metrikler bize modelimizin ne kadar iyi çalıştığına dair bir gösterge sunmaktadır.This research deals with the solar photovoltaic power generation prediction through a machine learning–based architecture combining the Random Forest algorithm with the JAYA metaheuristic optimization. As the demand for renewable energy has been increasing, the establishment of correct and expeditive forecasting models is vital for the system operators, along with the energy managers, for effective planning, efficacy, and assured cost-effectiveness. The data, obtained for Chapel Lane substation in the United Kingdom (2019–2022) at 15 minute integration, went through the pre-processing, such as feature creation and normalizations. Random Forest was utilized for the extraction of the most pertinent parameters for the requirement of prediction, whereas the JAYA algorithm has been used for hyperparameter optimization for the better performance of the designed models. The performance accuracy of the models has been observed through established performance indicators, i.e., the coefficient of determination (R²), mean squared error (MSE), and mean absolute error (MAE). Through the results, the intention is demonstrated by projecting the predicted respective outputs with fewer faults, indicating its potential for solar energy prognostication along with the power management activities.