Güneş enerjisi santrallerinde derin öğrenme kullanılarak elektrik üretimi tahmininin yapılması
Estimation electricity generation using deep learning on solar power plants
- Tez No: 656115
- Danışmanlar: PROF. DR. HİDAYET OĞUZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, Computer Engineering and Computer Science and Control, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enerji Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Güneş enerjisi santralleri yenilenebilir enerji sistemleri arasında önemli bir konuma sahiptir. Sınırsız kaynak olarak nitelendirilen güneş enerjisinin küçük bir kısmının yer küreye ulaşması, bu santrallerin güneş ışığından mümkün olduğunca yeterli kapasitede yararlanabilmesi önem arz ettiğinden, verimlilik adına günümüze kadar önemli teknolojik gelişmeler yaşanmaktadır. Bu tip sistemlerin kurulumu pahalıdır ve 25 yıl gibi ortalama ömürleri bulunmaktadır. Bu sistemlerden optimum şekilde faydalanmak için ileriye dönük elektrik üretim tahminleri yapılması önemli olabilmektedir. Bu tez çalışması, Konya'nın Çumra, Tuzlukçu ve Yunak ilçelerinde kurulu ve yıllık 1MW kapasiteli (Santral_A, Santral_B, Santral_C, Santral_D) güneş santrallerine ait günlük frekanslı 2 yıllık üç veri seti ve saatlik frekanslı 1 yıllık bir veri seti (tek değişkenli zaman serileri) üzerinde değerlendirme yapılmıştır. Güneş enerjisi santrallerinden elde edilen bu verilere göre derin öğrenme kullanılarak elektrik üretim analizi yapılmıştır. Tercih edilen derin öğrenme yöntemi; uzun kısa süreli hafıza (LSTM) olup zaman serisi analizinde kullanılan bir başka istatistiksel yöntem olan mevsimsel otoregresif hareketli ortalama (SARIMA) ile karşılaştırılmıştır. Her bir veri seti için elde edilen sonuçlar; beş farklı hata performans ölçüm sistemine tabii tutulmuş (MSE, RMSE, NMSE, MAE, MAPE) ve LSTM modelinin SARIMA modeline göre çoğunlukla gerçek verilere daha yakın sonuçlar verdiği tespit edilmiştir. Sonuçların ardından güneş santrallerinde verimliliğe etki edebilecek faktörler incelenmiş, İç Anadolu Bölgesi, Ege ve Akdeniz bölgelerinde kurulu olan bazı santrallerin saha mühendislerince tespit edilen sorunlar derlenerek bazı yorumlar ve çıkarımlar yapılmıştır.
Özet (Çeviri)
Solar power plants have an important position among renewable energy systems. Since it is important that a small part of the solar energy, which is described as an unlimited resource, reaches the earth and that these power plants can benefit from sunlight in sufficient capacity as possible, important technological developments have been experienced so far in terms of efficiency. Such systems are expensive to install and have an average life span of 25 years. It can be important to make forward-looking electricity generation estimates in order to make optimum use of these systems. This thesis study was evaluated on three 2-year daily frequency data sets and a 1-year data set with hourly frequency (univariate time series) belonging to solar power plants with 1MW annual capacity (Santral_A, Santral_B, Santral_C, Santral_D) established in Çumra, Tuzlukçu and Yunak districts of Konya. According to these data obtained from solar power plants, electricity generation analysis was made using deep learning. Preferred deep learning method; long short-term memory (LSTM) and compared with seasonal autoregressive moving average (SARIMA), another statistical method used in time series analysis. Results obtained for each data set; It was subjected to five different error performance measurement systems (MSE, RMSE, NMSE, MAE, MAPE) and it was determined that the LSTM model mostly gave results closer to the real data than the SARIMA model. After the results, the factors that may affect the efficiency of solar power plants were examined, and some comments and inferences were made by compiling the problems identified by field engineers of some power plants established in Central Anatolia, Aegean and Mediterranean regions.
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
- Güneş enerji santrallerinde derin öğrenme ile aylık elektrik üretim tahmini
Monthly Electricity Production Forecast with Deep Learning in Solar Power Plants
ÖMER ÇETİN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ HAKAN IŞIK
- Spatiotemporal forecasting of solar power generation with deep learning
Uzayzamansal derin öğrenme ile güneş enerjisi üretimi tahminlemesi
İSMAİL TOYHAN YUMRU
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Analitik ve derin öğrenme yöntemleriyle Balıkesir koşullarında şebekeye bağlı bir güneş enerji santralinin modellenmesi ve verimlilik analizi
Modeling and efficiency analysis of a grid-connected solar power plant in Balikesir conditions with analytical and deep learning methods
MEHMET FATİH BEYOĞLU
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBalıkesir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. METİN DEMİRTAŞ
- Solar radiation forecasting by using deep neural networks in Eskişehir
Derin sinir ağları kullanarak Eskişehir'deki güneş radyasyonu tahmini
MOHAMMED QASEM MOHAMMED SALEH QASEM
Yüksek Lisans
İngilizce
2020
EnerjiEskişehir Teknik Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. ÜMMÜHAN BAŞARAN FİLİK