Prediction of solar panel energy production using time series analysis methods
Güneş paneli enerji üretiminin zaman serisi analiz yöntemleri ile tahmini
- Tez No: 1014719
- Danışmanlar: PROF. DR. OSMAN YILDIRIM, DR. ÖĞR. ÜYESİ EBRU İDMAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güneş enerji santrallerinde (GES) elektrik üretimi, meteorolojik koşullara bağlı olduğundan belirgin bir belirsizlik ve mevsimsellik içermektedir. Bu durum, fotovoltaik (PV) güç üretiminin enerji sistemlerine güvenilir bir şekilde entegre edilmesini zorlaştırmakta ve üretim miktarının doğru tahmin edilmesi gerekmektedir. Bu tez çalışmasında, bir GES'e ait aylık ortalama günlük enerji üretimi verileri kullanılarak PV üretiminin zaman serisi özellikleri incelenmiştir. Bu kapsamda mevsimsel zaman serisi modelleri kullanılarak ileriye dönük üretim tahmini gerçekleştirilmiştir. Çalışmada kullanılan veri seti, Nisan 2022–Temmuz 2025 dönemini kapsamaktadır. Veri seti, eğitim (Nisan 2022–Aralık 2024) ve test (Ocak 2025–Temmuz 2025) kümeleri olarak iki alt kümeye ayrılmıştır. Bu veriler kullanılarak tanımlayıcı istatistikler, otokorelasyon (ACF) ve parsiyel otokorelasyon (PACF) analizleri ile serinin zaman bağımlılığı incelenmiştir. Augmented Dickey–Fuller (ADF) testi, Kruskal–Wallis mevsimsellik testi ve Seasonal Trend Decomposition using Loess (STL) yöntemi ile serinin durağanlık, trend ve mevsimsel bileşenleri detaylı bir şekilde analiz edilmiştir. Elde edilen bulgular, GES üretim verilerinin yıllık periyotlu belirgin bir mevsimsellik içerdiğini ve zaman serisi modelleme yöntemleriyle analiz edilmesine uygun olduğunu göstermektedir. Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA) modeli, bu yapısal özelliklere göre tercih edilmiş ve model parametreleri grid arama yöntemi kullanılarak belirlenmiştir. Eğitim verisi üzerinde bir parametre taraması gerçekleştirilmiş olup hata ölçütleri bakımından en düşük değerleri sağlayan model seçilmiştir. Seçilen SARIMA (2, 1, 1) × (1, 1, 0)12 modelinin performansı, eğitim sürecinde kullanılmamış bağımsız test kümesi üzerinde değerlendirilmiştir. Elde edilen sonuçlar, RMSE (Root Mean Square Error) ve MAPE (Mean Absolute Percentage Error) hata ölçütlerine göre modelin üretimdeki artan eğilimi ve yıllık mevsimsel üretim desenini başarılı bir şekilde yakaladığını göstermektedir. Modele dahil edilmeyen operasyonel dışsal veya meteorolojik faktörler, test döneminde yüksek hata değerlerine neden olmuştur. Sonuçlar, istatistiksel zaman serisi modellerinin, özellikle yoğun mevsimsellik içeren veri setlerinde, fotovoltaik güç üretimi tahmininde tutarlı ve anlaşılabilir tahminler yapabildiğini göstermektedir. Bu çalışma, veri yapısına dayalı istatistiksel yaklaşımların yanı sıra karmaşık veri güdümlü yöntemlerin fotovoltaik üretim tahmininde çok önemli olduğunu göstermektedir. Çalışmanın amacı, model–veri uyumunu merkeze alan bir yaklaşımla literatüre katkıda bulunmaktır. Ayrıca, uygulamalı GES uygulamaları için bir örnek olarak hizmet etmeyi de amaçlamaktadır.
Özet (Çeviri)
Electricity generation in solar power plants (SPPs) involves significant uncertainty and seasonality due to its dependence on meteorological conditions. This situation complicates the reliable integration of photovoltaic (PV) power generation into energy systems and necessitates accurate forecasting of production volumes. In this thesis, the time-series characteristics of photovoltaic power generation were examined using monthly average daily energy production data from a solar power plant. In this context, forward-looking production forecasts were made using seasonal time series models. The dataset used in this study covers the period from April 2022 to July 2025. The dataset is divided into two subsets: a training set (April 2022–December 2024) and a test set (January 2025–July 2025). Using these data, descriptive statistics, autocorrelation (ACF) and partial autocorrelation (PACF) analyses, and the time-dependence of the series were examined. The stationarity, trend, and seasonal components of the series were analyzed in detail using the Augmented Dickey–Fuller (ADF) test, the Kruskal–Wallis seasonality test, and Seasonal Trend Decomposition using Loess (STL). The findings indicate that solar power plant production data exhibit a distinct annual seasonality and are suitable for analysis using time series modeling methods. The Seasonal Autoregressive Integrated Moving Average (SARIMA) model was selected based on these structural characteristics and its parameters were determined using a grid search method. A parameter search covering SARIMA models was conducted on the training data and the model yielding the lowest error metrics was selected. Subsequently, the performance of the selected SARIMA (2, 1, 1) × (1, 1, 0)12 model was evaluated on an independent test set that was not used during the training process. The results indicate that the model successfully captures the upward trend in production and the annual seasonal production pattern, as measured by the RMSE (Root Mean Square Error) and MAPE (Mean Absolute Percentage Error) metrics. Operational, external, or meteorological factors not included in the model resulted in high error values during the testing period. The results show that statistical time series models can produce consistent and interpretable forecasts for photovoltaic power generation, particularly in datasets with strong seasonality. This study demonstrates that statistical approaches based on data structure, as well as complex data-driven methods, are crucial in photovoltaic production forecasting. The aim of the study is to contribute to literature with an approach centered on model-data alignment. It also aims to serve as an example for practical solar power plant applications.
Benzer Tezler
- Kısa süreli rüzgar tahmini için WRF model performansının analizi ve rüzgar gücü uygulamaları
Analysis of wrf model performance for short-term wind prediction and wind power applications
NİLCAN AKATAŞ
Yüksek Lisans
Türkçe
2015
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİNÇ SIRDAŞ
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ
- Yorumlanabilir (XAI) makine öğrenme yöntemleri ile fotovoltaik (PV) sistemlerin dahili etkileri kullanılarak verimlik tahmini
Efficiency prediction using the internal effects of photovoltaic (PV) systems with explainable (XAI) machine learning methods
İHSAN LEVENT
Yüksek Lisans
Türkçe
2026
EnerjiIğdır ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN IŞIK
- Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus
Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini
MARYA ALHAJMOHAMMADOTHMAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
DR. ÖĞR. ÜYESİ DENİZ BALTA
- Fırın sensör verilerini kullanarak fotovoltaik panel üretim sürecinde zaman serisi ve LSTM yöntemi ile anomali tespiti
Anomaly detection in the photovoltaic panel production process using time series and LSTM method with furnace sensor data
YEŞİM GÖRÜR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ALİ EMRE ÖZTÜRK
DR. ERKAN KIYMIK