Yenilenebilir enerji kaynaklarında üretilen enerjinin makine öğrenimi temelli tahmini ve analizi
Machine learning-based prediction and analysis of energy produced from renewable energy sources
- Tez No: 1023894
- Danışmanlar: DOÇ. DR. MERİÇ ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, EPİAŞ Şeffaflık Platformu üzerinden elde edilen santral düzeyi üretim kayıtları kullanılarak Denizli ili için saatlik yenilenebilir enerji üretim serisi oluşturulmuş ve bu seri üzerinde farklı tahmin modelleri karşılaştırılmıştır. Ham veri kümesindeki dağınık kayıt yapısı temizlenmiş, saatlik toplulaştırma uygulanmış ve zaman ekseni sürekliliği korunarak nihai modelleme veri kümesi hazırlanmıştır. Çalışmada Naive, Doğrusal Regresyon (Linear Regression - LR), Rastgele Orman (Random Forest - RF), Destek Vektör Regresyonu (Support Vector Regression - SVR), Çok Katmanlı Algılayıcı (Multilayer Perceptron - MLP), Otoregresif Entegre Hareketli Ortalama (Autoregressive Integrated Moving Average - ARIMA), Mevsimsel Otoregresif Entegre Hareketli Ortalama (Seasonal Autoregressive Integrated Moving Average - SARIMA), Uzun Kısa Süreli Bellek (Long Short-Term Memory - LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit - GRU) modelleri değerlendirilmiştir. Performans değerlendirmeleri Ortalama Mutlak Hata (Mean Absolute Error - MAE), Kök Ortalama Kare Hata (Root Mean Squared Error - RMSE) ve R² ölçütleri üzerinden yürütülmüş; ayrıca hata serileri istatistiksel testlerle karşılaştırılmıştır. Sonuçlar, il düzeyinde oluşturulan bu veri kümesinde yüksek tahmin doğruluğuna ulaşılabildiğini göstermiştir. Toplam üretim serisi düzeyinde LSTM modeli dengeli ve güçlü bir performans sergilemiş, ancak Naive modelin MAE ölçütünde rekabetçi sonuç üretmesi serideki kısa dönemli sürekliliğin güçlü olduğunu göstermiştir. Çok yıllık üretim karşılaştırması, Denizli yenilenebilir üretim yapısında jeotermal kaynağın açık ara baskın olduğunu göstermiştir. Bulgular, dikkatli veri hazırlama ve uygun gecikme yapısının, model başarısında mimari karmaşıklık kadar belirleyici olabileceğini göstermektedir.
Özet (Çeviri)
In this thesis, an hourly renewable energy production series for the province of Denizli was constructed using power plant-level production records obtained from the EPİAŞ Transparency Platform, and different forecasting models were comparatively evaluated on this series. The scattered record structure of the raw dataset was cleaned, hourly aggregation was applied, and the final modeling dataset was prepared while preserving temporal continuity. In this study, Naive, Linear Regression (LR), Random Forest (RF), Support Vector Regression (SVR), Multilayer Perceptron (MLP), Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving Average (SARIMA), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models were evaluated. Performance evaluations were conducted using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and R² metrics; additionally, error series were compared using statistical tests. The results indicate that high forecasting accuracy can be achieved within this province-level dataset. At the total series level, the LSTM model exhibited a balanced and robust performance; however, source-based analyses revealed that the most suitable model varies depending on the type of energy source. Multi-year production comparison showed that geothermal energy is the dominant renewable source in Denizli's energy production structure. The findings suggest that careful data preparation and appropriate lag structure can be as critical as model complexity in achieving high forecasting performance.
Benzer Tezler
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Hava tahmin modelleri ve yüzdelik dilim regresyonu temelli hibrit güneş enerjisi öngörü sistemi geliştirilmesi ve uygulamaları
Development and applications of a hybrid solar energy forcasting system integrating weather models and quantile regression
AYŞEGÜL BİÇER
Yüksek Lisans
Türkçe
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET DURAN ŞAHİN
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Bir hava ısıtmalı güneş kollektörünün enerji veriminin makine öğrenmesi algoritmaları ile modellenmesi
Modeling the energy efficiency of an air heated solar collector with machine learning algorithms
İBRAHİM HAKKI SAYAN
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DAŞ
- Predicting solar energy production using incremental machine learning techniques
Kademeli makine öğrenmesi teknikleri kullanarak güneş enerjisi üretimi tahmini
SEMANUR KAPUSIZOĞLU
Yüksek Lisans
İngilizce
2023
EnerjiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA DİNLER