Geri Dön

Yapay zekâ tabanlı modeller kullanılarak çok kısa vadeli fotovoltaik güç tahmini: Irak'ın El-Enbar bölgesinde bir vaka çalışması

Very short-term photovoltaic power forecasting using ai-based models: A case study in Al Anbar, Iraq

  1. Tez No: 1025750
  2. Yazar: OTHMAN SULAIMAN HASSAN HASSAN
  3. Danışmanlar: PROF. DR. ZİYODULLA YUSUPOV
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Şebeke istikrarını, enerji yönetimini ve güneş enerjisinin modern elektrik sistemlerine güvenilir bir şekilde entegrasyonunu desteklemek için, fotovoltaik (PV) güç üretiminin çok kısa vadeli ve doğru bir şekilde tahmin edilmesi hayati önem taşımaktadır. Bu gereklilik, PV üretiminin yüksek ışınım değişkenliği, yüksek sıcaklıklar, toz birikimi ve sınırlı yer tabanlı ölçümlerden ciddi şekilde etkilendiği kurak ve çöl bölgelerinde özellikle önemlidir. Bu bağlamda, bu tez Irak'ın El-Enbar bölgesinden alınan gerçek bir vaka çalışmasını kullanarak çok kısa vadeli PV güç tahmini için yapay zeka tabanlı modellerin karşılaştırmalı bir değerlendirmesini sunmaktadır. İnvertör tabanlı PV operasyonel ölçümleri ile Solcast'tan elde edilen uydu kaynaklı meteorolojik veriler entegre edilerek 5 dakikalık çözünürlüklü birleşik bir veri seti geliştirilmiştir. Veri seti, yaklaşık on aylık bir operasyon süresi boyunca toplanan 81,445'ten fazla gözlemden oluşmaktadır. Zaman damgası senkronizasyonu, veri temizleme, cihaza özgü normalleştirme, zamansal özellik çıkarma, gecikme özellikleri ve dönen istatistiksel göstergeler dahil olmak üzere eksiksiz bir ön işleme ve özellik mühendisliği süreci uygulanmıştır. Tahmin hedefi, farklı kapasitelere sahip invertör kayıtları arasında adil bir karşılaştırma yapılabilmesi için normalleştirilmiş PV güç çıkışı olarak tanımlanmıştır. İki tahmin ufku incelenmiştir: 5 dakika ileriye dönük (t+1) ve 30 dakika ileriye dönük (t+6). Sekiz model değerlendirilmiştir: Random Forest, XGBoost, LightGBM, Destek Vektör Regresyonu, LSTM, GRU, CNN-LSTM ve Transformer. Bu modellerin performansı, MAE, RMSE, R2 ve RMSE tabanlı Beceri Puanı kullanılarak Persistence modeliyle karşılaştırılmıştır. Sonuçlar, Persistence'ın 5 dakikalık ufukta MAE = 0,0152, RMSE = 0,0591 ve R2 = 0,9762 ile en iyi performansı elde ettiğini göstermektedir. Tüm AI tabanlı modeller bu ufukta negatif RMSE tabanlı Beceri Puanları üretmiştir; bu da PV çıktısının güçlü otokorelasyonu nedeniyle ultra kısa zaman aralıklarında Persistence'ı geride bırakmanın zorluğunu teyit etmektedir. Buna karşılık, 30 dakikalık zaman diliminde ağaç tabanlı modeller Persistence'ı geride bırakmıştır. Random Forest, MAE = 0,0436, RMSE = 0,0994, R2 = 0,9327 ve +%28,2'lik bir RMSE tabanlı Beceri Puanı ile en iyi genel performansı sergilemiştir. XGBoost ve LightGBM de sırasıyla %27,2 ve %23,0 gibi pozitif Beceri Puanları elde etmiştir. Genel olarak, bulgular model etkinliğinin zaman aralığına büyük ölçüde bağlı olduğunu göstermektedir. Kalıcılık, 5 dakikalık ileriye dönük tahminler için en uygun yaklaşım olmaya devam ederken, ağaç tabanlı makine öğrenimi modelleri, özellikle de Random Forest, 30 dakikalık zaman diliminde açık bir katma değer sağlamaktadır. Bu tez, Irak'ın El-Enbar bölgesindeki zorlu çöl iklimi koşulları altında PV güç tahmini için pratik bir tahmin çerçevesi sunmakta ve çok kısa vadeli yenilenebilir enerji tahminlerinde titiz bir temel karşılaştırmanın önemini vurgulamaktadır.

Özet (Çeviri)

Accurate very short-term photovoltaic (PV) power forecasting is essential for supporting grid stability, energy management, and the reliable integration of solar energy into modern power systems. This requirement is particularly important in arid and desert regions, where PV generation is strongly affected by high irradiance variability, elevated temperatures, dust accumulation, and limited ground-based measurements. In this context, this thesis presents a comparative evaluation of artificial intelligence-based models for very short-term PV power forecasting using a real-world case study from El-Enbar, Iraq.A unified 5-minute-resolution dataset was developed by integrating inverter-based PV operational measurements with satellite-derived meteorological data obtained from Solcast. The dataset comprised more than 81,445 observations collected over approximately ten months of operation. A complete preprocessing and feature engineering pipeline was implemented, including timestamp synchronization, data cleaning, device-specific normalization, temporal feature extraction, lag features, and rolling statistical indicators. The forecasting target was defined as normalized PV power output to enable fair comparison across inverter records with different capacities.Two forecasting horizons were investigated: 5-minute-ahead (tⓜ+1)and 30-minute-ahead (tⓜ+6). Eight models were evaluated: Random Forest, XGBoost, LightGBM, Support Vector Regression, LSTM, GRU, CNN-LSTM, and Transformer. Their performance was benchmarked against the Persistence model using MAE, RMSE, R^2, and RMSE-based Skill Score.The results show that Persistence achieved the best performance at the 5-minute horizon, with MAE = 0.0152, RMSE = 0.0591, and R^2=0.9762. All AI-based models produced negative RMSE-based Skill Scores at this horizon, confirming the difficulty of outperforming Persistence over ultra-short time intervals due to the strong autocorrelation of PV output. In contrast, at the 30-minute horizon, tree-based models outperformed Persistence. Random Forest achieved the best overall performance, with MAE = 0.0436, RMSE = 0.0994, R^2=0.9327, and an RMSE-based Skill Score of +28.2%. XGBoost and LightGBM also achieved positive Skill Scores of +27.2% and +23.0%, respectively.Overall, the findings demonstrate that model effectiveness is strongly horizon-dependent. Persistence remains the most suitable approach for 5-minute-ahead forecasting, while tree-based machine learning models, particularly Random Forest, provide clear added value at the 30-minute horizon. This thesis contributes a practical forecasting framework for PV power prediction under the challenging desert-climate conditions of El-Enbar, Iraq, and emphasizes the importance of rigorous baseline comparison in very short-term renewable energy forecasting.

Benzer Tezler

  1. Tez No

    997020

    Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması

    Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods

    YUNUS EDİZ

    Doktora

    Türkçe

    Türkçe

    2026

    EkonometriManisa Celal Bayar Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. İLKAY DİLBER

  2. Tez No

    994489

    Türkiye'deki havalimanlarında düşük görüş mesafesinin istatistiksel ve meteorolojik analizi ile makine öğrenmesi tabanlı tahmini

    Statistical and meteorological analysis, and machine learning-based prediction of low visibility at airports in Türkiye

    İBRAHİM AKBAYIR

    Doktora

    Türkçe

    Türkçe

    2025

    Sivil Havacılıkİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DENİZ DEMİRHAN

  3. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  4. Tez No

    507280

    Audio visual attention for robots from a developmental perspective

    Gelişimsel perspektiften robotlar için görsel ve işitsel diıkkat

    NADA AL AZZAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÖKHAN İNCE

  5. Tez No

    922000

    3D modeling in archaeology Reşitköy Dam excavations

    Arkeolojide 3 boyutlu modelleme Reşitköy Barajı kurtarma kazıları

    KALİN TOK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Arkeolojiİstanbul Teknik Üniversitesi

    Ekoloji ve Evrim Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. ORKAN ÖZCAN

Geri Dön