Time series prediction of solar power generation using trend decomposition
Trend ayrıştırması kullanarak güneş enerjisi üretiminin zaman serisi tahmini
- Tez No: 668838
- Danışmanlar: DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Zaman serisi verileri çeşitli alanlarda yaygın olarak kullanıldıkları için dogru tahminlenmeleri önemlidir. Verilerdeki her bilgi, zaman serilerinin özelliklerini temsil eder. Trend bilgisine sahip veriler üzerinde tahmin yapmak karmaşık bir süreçtir. Bu tezde, trend bilgisine sahip zaman serisi verileri üzerinde daha iyi tahminler yapabilmek için yeni yöntemler önerilmiştir. Çalışmanın ilk bölümünde, özellik çıkarma yöntemleri ile mevcut verilerin geçmişinden ortalama ve egilim gibi özellikler çıkarılmış ve özellik olarak veri setine eklenmiştir. Genişletilmiş bu veri seti ile makine ögrenimi algoritmaları test edildiğinde, mevcut yöntemlere göre daha iyi sonuçlar elde edilmiştir. Çalışmanın ikinci bölümünde verilere trend ayrıştırması uygulanmıştır. Ayrışmadan sonra elde edilen daha kararlı veriler, mevcut modellerle test edilmiş ve ardından ayrıştırılmış trend verileri ile kararlı verilerin tahmin sonuçları birleştirilerek nihai tahmin gerçekleştirilmiştir. Düz veriler ve ayrıca genişletilmiş özelliklere sahip veriler kullanılarak elde edilen sonuçlardan daha yüksek performans sonuçları gözlemlenmiştir. Daha sonra çalışmanın üçüncü bölümünde, trend verileri üzerinde de tahminlerde bulunmak için doğrusal tahmin yöntemi kullanılmıştır. Nihai sonuçlar, hem kararlı zaman serisi verilerinin hem de trendin tahmin edilen sonuçları ile birleştirilerek elde edilmiştir. Her adımda, beş farklı makine ögrenimi algoritmasında önceki adımdan ve mevcut yöntemden daha üstün veya rekabetçi tahmin performansı sergiliyoruz. Önerilen yöntemler yenilenebilir enerji alanına uygulanmıştır ve Türkiye'de güneş enerjisi üretiminin tahmin edilmesinde kullanılmıştır.
Özet (Çeviri)
Accurate predictions are desirable in time series data due to the widespread usage of them in various domains. Each information in the data represents the characteristics of the time series. Making forecasting on data that has trend information is a complicated process. In this thesis, new methods are proposed to make better estimates on time series data which have trend information. In the first part of the study, features such as mean and trend were extracted from the history of the existing data by feature extraction methods and added to the data set as features. When machine learning algorithms were tested with this extended data set, better results were obtained compared to existing methods. In the second part of the study, trend decomposition was applied to the data. More stable data obtained after the decomposition was tested with the existing models, and then the final estimation was achieved by combining the decomposed trend data with the prediction results of the stable data. Higher performance results were observed than what was achieved by using the plain data andalso the data with extended features. Then, in the third part of the study, linear estimation method was used to make predictions on the trend data as well. The final results were obtained by combining the predicted results of both the stable time series data and the trend. At each step, we demonstrate superior or competitive prediction performance than the previous step and the existing method in five different machine learning algorithms. Proposed methods are applied to the renewable energy domain and used in the forecasting of solar power generation in Turkey.
Benzer Tezler
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Zaman serisi analiz yöntemleri ve yapay sinir ağları algoritmalarını kullanarak güneş enerjisi santrallerinde üretilen gücün tahminlenmesi
Predicting power generation in solar power plants using time series analysis methods and artificial neural network algorithms
EMRAH İDMAN
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Arel ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN YILDIRIM
- 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
- Enhancing photovoltaic system performance through NARX-LSTM forecasting and neuro-controller based MPPT techniques
NARX-LSTM tahmın ve nöro-denetleyici temelli MPPT teknikleri vasıtasıyla fotovoltaık sistem performansının artırılması
OUBAH ISMAN OKIEH
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Dağıtılmış güç üretimi için solar fotovoltaik sistemin yapay zeka tabanlı hibrit kontrolü
Artificial intelligence based hybrid control of solar photovoltaic system for distributed power generation
UMAIR YOUNAS
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET AFŞİN KULAKSIZ