With developing technology, a growing population, and growing industries, the demand for electrical energy is rapidly increasing worldwide. The depletion of fossil fuels and their negative impact on the environment have led humanity to turn to renewable energy sources to address the demand for energy. Among renewable energy sources, solar energy is clean, free, and accessible, making it a popular energy source today. Despite all these positive features, solar energy, by its inherent stochastic nature, causes uncertainty, sudden fluctuations, and stability issues in grid management. Therefore, the widespread use of solar energy necessitates the need for advanced forecasting models to manage this energy. In this thesis, an innovative prediction model that addresses both deterministic and stochastic properties of solar energy data was developed to improve the accuracy of solar irradiance and photovoltaic output power estimations. The study primarily addresses the problem experienced by the Mycielski model with consecutive zero values, and an innovative three-stage method was developed to overcome this problem. Solar irradiance exhibits components influenced by stochastic factors originating from random atmospheric events, as well as deterministic factors such as solar geometry. To address the deterministic component, we used region-specific extraterrestrial solar radiation data. Thus, the developed model provides more accurate predictions of sudden changes in nighttime, sunrise, and sunset times. For the stochastic component, we improved the similar pattern-based Mycielski model to capture random fluctuations, and we also solved the consecutive zero data problem experienced by the Mycielski model. In the second phase of the thesis, an innovative multidimensional Mycielski-based method was developed using the improved Mycielski model to more accurately predict the output power of photovoltaic panels. This approach leverages the Mycielski algorithm's ability to identify similar patterns in multidimensional historical time series data, utilizing the most similar historical sequences for improved prediction. Furthermore, the method was hybridized with AI-based forecasting models and integrated into advanced models such as deterministic-stochastic deep learning architectures. In this multidimensional framework, both electrical quantities and meteorological data were collected through an experimental system established at Afyon Kocatepe University. Experimental results demonstrate that the three-segment Mycielski-based approach developed within the scope of this thesis provides superior forecasting performance compared to traditional models in the literature and avoids the problem of consecutive zero data structures. Furthermore, the hybrid integration of the Multidimensional Mycielski method developed for multidimensional time series with AI-based algorithms successfully improves the prediction of photovoltaic output power, providing a reliable and accurate tool for managing and optimizing solar energy systems.

Gelişen teknoloji, artan nüfus ve büyüyen sanayi ile birlikte dünya genelinde elektrik enerjisine olan talep hızla artmaktadır. Fosil yakıtların tükeniyor olması ve çevreye olan olumsuz etkileri enerji talebi karşısında insanoğlunu yenilenebilir enerji kaynaklarına yönlendirmiştir. Yenilenebilir enerji kaynaklarından güneş enerjisi temiz, kaynağı bedava ve ulaşılabilir olması ile günümüzde popüler enerji kaynakları arasında yer almaktadır. Tüm bu olumlu özelliklerine karşın, yapısı gereği stokastik olan güneş enerjisi, şebeke yönetiminde belirsizlik, ani dalgalanmalar ve kararlılık sorunlarına neden olmaktadır. Dolayısı ile güneş enerjisinin yaygınlaşması ile bu enerjisinin kontrolü için gelişmiş tahmin modellerine ihtiyaç duyulmaktadır. Bu tez çalışması kapsamında, güneş enerjisi verilerinin tahmin doğruluğunu artırmak için bu enerjinin hem deterministik hem de stokastik özelliklerini ele alan yenilikçi bir tahmin modeli geliştirilmiştir. Çalışmada öncelikle Mycielski modelinin ardışık sıfır değerlerinde yaşadığı problem üzerinde durulmuş ve bu problemi aşmak için üç aşamalı bir yöntem geliştirilmiştir. Güneş ışınım şiddeti, güneş geometrisi gibi deterministik faktörlerin yanı sıra rastgele atmosferik olaylardan kaynaklanan stokastik faktörlerden etkilenen bileşenler sergiler. Çalışmada deterministik bileşeni ele almak için, bölgeye özgü dünya dışı güneş radyasyonu verileri kullanılmıştır. Böylece gece saatleri, gün doğumu ve gün batımı saatlerindeki ani değişimler, geliştirilen model ile daha doğru tahmin sonuçları sergilemiştir. Stokastik bileşenler için, benzer desen tabanlı Mycielski modeli iyileştirilerek kullanılmış ve bu modelin ardışık sıfır veri dizilerinde yaşadığı duyarlılık problemi çözülmüştür. Tezin ikinci aşamasında ise iyileştirilmiş Mycielski modeli kullanılarak yenilikçi çok boyutlu Mycielski tabanlı yöntem, fotovoltaik panellerinin çıkış gücünü daha doğru bir şekilde tahmin etmek için geliştirilmiştir. Bu yaklaşım, Mycielski algoritmasının çok boyutlu tarihsel zaman serisi verilerindeki benzer örüntüleri belirleme yeteneğinden yararlanarak, gelişmiş tahmin için geçmişteki en benzer dizileri kullanmıştır. Ayrıca, yöntem yapay zekâ tabanlı tahmin modelleriyle hibritleşerek, deterministik-stokastik çerçeve derin öğrenme mimarileri gibi gelişmiş modellere entegre edilmiştir. Bu çok boyutlu yapıda hem elektriksel büyüklükler hem de meteorolojik veriler Afyon Kocatepe Üniversitesi'nde kurulan bir deneysel sistem aracılığıyla toplanmıştır. Deneysel sonuçlar, tez kapsamında geliştirilen üç aşamalı Mycielski tabanlı yaklaşımın, literatürdeki geleneksel modellere kıyasla üstün tahmin performansı sağladığını ve ardışık sıfır veri yapısına takılmadığını göstermiştir. Ayrıca çok boyutlu zaman serileri için geliştirilen Çok Boyutlu Mycielski yönteminin yapay zekâ tabanlı algoritmalarla hibrit entegrasyonu, fotovoltaik çıkış gücünün tahminini başarıyla artırarak güneş enerjisi sistemlerinin yönetimi ve optimizasyonu için güvenilir ve doğru bir araç sağlamıştır.