Fotovoltaik panellerde derin öğrenme ile güç tahmin modeli geliştirilmesi
Development of power prediction model with deep learning in photovoltaic panels
- Tez No: 1012083
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR TOMAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, fotovoltaik güneş enerjisi sistemlerine ait aylık üretim verileri üzerinde dokuz farklı derin öğrenme mimarisi karşılaştırmalı olarak incelenmiştir. Çalışmada 25 PV sistemi için veri derlenmiş; kullanılabilir veri yapısına sahip örnekler üzerinden Dense, SimpleRNN, LSTM, GRU, BiLSTM, CNN, CNN-LSTM, CNN-GRU ve Hibrit modeller değerlendirilmiştir. Üretim verileri PVOutput kaynağından, meteorolojik değişkenler ise Open-Meteo verilerinin ay bazında özetlenmiş temsilî özelliklerinden oluşturulmuştur. Sonuçlar, hibrit mimarilerin birçok karşılaştırmada daha rekabetçi performans ürettiğini göstermiş; özellikle Hibrit, CNN-LSTM ve CNN-GRU modelleri üst sıralarda yer alma eğilimi göstermiştir. Bununla birlikte düşük veri hacmine sahip santraller, aylık çözünürlük ve meteorolojik entegrasyonun temsilî yapısı nedeniyle bulgular temkinli yorumlanmalıdır. Türkiye kaynaklı üç santralde elde edilen sonuçlar yöntemin yerel veride uygulanabilirliğini göstermiş, ancak bu grup için güçlü genelleme yapılmamıştır. Genel olarak çalışma, farklı sistem ve model tiplerini aynı metodolojik çerçevede karşılaştıran savunulabilir bir değerlendirme sunmaktadır.
Özet (Çeviri)
This thesis presents a comparative evaluation of nine deep learning architectures for monthly photovoltaic power prediction. Data were compiled for 25 photovoltaic systems, and model comparisons were conducted on systems with sufficient usable samples. Dense, SimpleRNN, LSTM, GRU, BiLSTM, CNN, CNN-LSTM, CNN-GRU, and a Hybrid architecture were assessed within a common experimental framework. Production records were obtained from PVOutput, while meteorological inputs were constructed from month-level representative features derived from Open-Meteo data. The results indicate that hybrid architectures generally produce more competitive performance, with Hybrid, CNN-LSTM, and CNN-GRU frequently ranking near the top. However, the findings should be interpreted cautiously because of limited data length in some plants, monthly temporal resolution, and the representative nature of meteorological matching. Results from the three Turkish installations suggest that the proposed approach is applicable on local data as well, but they should be treated as case-based findings rather than strong national generalizations. Overall, the study offers a defensible comparative framework for model selection in PV forecasting.
Benzer Tezler
- Kısa dönemli fotovoltaik güç tahmini için geliştirilen yenilikçi bir hibrit modelin analizi ve uygulaması
Application and analysis of innovative hybrid model for short-term photovoltaic power forecasting
ALİ RİZA GÜN
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KURBAN
DOÇ. DR. EMRAH DOKUR
- Bölgesel güneş enerji potansiyelinin belirlenmesinde yeni bir yaklaşım
A new approach in determining the regional solar energy potential
ERŞAN ÖMER YÜZER
Doktora
Türkçe
2023
EnerjiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALTUĞ BOZKURT
DOÇ. DR. BEDRİ KEKEZOĞLU
- Farklı tipteki fotovoltaik sistemlerin güç üretimlerinin analizi ve yapay zekaya dayalı tahmini
Analysis of power generation and artificial intelligence based prediction of different types of photovoltaic systems
TUĞBA ÖZDEMİR ALİ
Doktora
Türkçe
2022
EnerjiDüzce ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ÖZGE TÜZÜN ÖZMEN
DOÇ. DR. SERHAT DUMAN
- Kısmi gölgelenme koşullarındaki FV sistemlerin maksimum güç noktasının derin öğrenme yöntemiyle tahmini
Estimation of the maximum power point of PV systems under partial shading conditions by deep learning method
RAMAZAN AKDERE
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖKKEŞ FATİH KEÇECİOĞLU
DR. ÖĞR. ÜYESİ ERDAL KILIÇ
- Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
MUSTAFA YUSUF DEMİRCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ