Fotovoltaik(FV) paneller, güneş ışığından elektrik enerjisi elde etmek için kullanılan sistemlerdir. Farklı zamanlarda FV sistemlerdenüretilen güç değerlerinin tahmini güneş panellerinin güvenilir bir enerji kaynağı olarak efektif kullanılması ve ekonomik kullanılmasıaçısından gereklidir. Güneş panellerinden üretilen çıkış gücünün kestirimi aynı zamanda, güneş panellerinin kurulumu, elektrikşirketlerine rehberlik etmesi, enerjinin yönetimi ve dağıtılması ve bunun yanında en kısa sürede optimum enerjiyi elde edebilir halegelmek ve maksimum üretim kapasitesi ulaşmaya yönelik gerekli panel adaptasyonlarının tespit edilmesi için gerekli zamandankazanç; ek işçilik maliyetlerinin azaltılması anlamında büyük önem arz etmektedir Bu çalışmada, FV panellerinden elde edilen güçdeğerlerinin aylık olarak tahmini için farklı algoritmalar ile öğrenebilen Yapay Sinir Ağları(YSA) kullanılmıştır. Altı farklı açısalkonuma yerleştirilen panellerden elde edilen güç değerlerinin tahmin edilmesinde, geleneksel yöntemlere göre daha iyi sonuç verenParçacık Sürü Optimizasyonu(PSO) optimizasyon algoritmasına dayalı YSA ile Geriye Yayılım(GY) ve bir diğer optimizasyonalgoritması olan Klonal Seçim Algoritması(KSA) ile eğitilen YSA modellerinden yararlanılmıştır. Tahmin sonuçlarınındoğrulanmasında üç popüler istatiksel değerlendirme kriteri olan Ortalama Mutlak Yüzde Hata (MAPE), Ortalama Karesel HatalarınKarekökü (RMSE) ve Varyans ($R^2$) eşitliklerinden yararlanılmıştır. Her üç kriterlerden elde edilen doğrulama sonuçlarıincelendiğinde, hemen hemen tüm aylar için PSO algoritması ile eğitilen YSA yapısının, KSA ve GY algoritmaları ile eğitilen YSAyapılarına göre daha başarılı olduğu görülmüştür. Bazı sonuçlarda ise GY ile eğitilen YSA yapısının, PSO ile eğitilen YSA yapısınagöre, sonuçlar birbirine yakın olmakla birlikte daha başarılı olduğu anlaşılmıştır.
The prediction of power outputs generated from photovoltaic (PV) systems at different times is necessary for reliable and economical for use of solar panels. The prediction of the power output is also very important in terms of factors such as installation of solar panels, guidance of electricity companies, energy management and distribution. Determination of optimum solar panel positions and angles, providing energy productivity to maximize production capacity in a short time period is the most time consuming job for regulations for a companies. Also, adaptation of panels increases costs. Therefore, new and healthy prediction methods have a great importance to minimize these work force costs. In this study, Artificial Neural Network (ANN) model learned by heuristic algorithms are used for the prediction of power outputs obtained from PV panels monthly. Particle Swarm Optimization (PSO), BackPropagation (BP), Clonal Selection Algorithm (CSA) are used to train ANN to predict six different PV panel located in different angles from 10 to 60 degrees. Three different popular evaluation methods which are called mean absolute percentage error (MAPE), root mean square error (RMSE), varyans ($R^2$ ) used to do comparison. According to examination of verification results, PSO is almost most successful algorithm as a training method when it is compared with BP and CSA. It is seen for the some of the results belong to a few months that BP is slightly better than PSO.
