Geri Dön

Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini

Short term solar energy prediction by using artifical neural networks

PDF İndir

  1. Tez No: 706964
  2. Yazar: ELA NUR ORUÇ
  3. Danışmanlar: DOÇ. DR. AHMET ÖZTOPAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Meteoroloji, Mühendislik Bilimleri, Energy, Meteorology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
  13. Sayfa Sayısı: 124

Özet

Gelişen dünya ve artan nüfus ile beraber küresel çaplı enerji ihtiyacı günden güne artmaktadır. Sanayi devrimi ile artan endüstriyel enerji talebinin fosil kaynaklı yakıtlardan karşılanmaya çalışılması, günümüz ve geleceğimiz için büyük problemler doğurmaktadır. Paris İklim Antlaşması ile beraber global CO2 emisyonunun düşürülmesine yönelik çalışmalar yapılmaktadır. Araştırmalara göre, 2050 yılına kadar hazırlanmış senaryolarda, yenilenebilir enerji kaynaklarının fosil kaynaklara oranla katbekat daha düşük CO2 emisyonuna neden olacağı ortaya konulmuştur. Yenilenebilir enerji çeşitlerinden olan güneş enerjisi temiz, sürdürülebilir ve doğada bulunurluğu fazla olması açısından tercih edilmesi önerilen enerji kaynaklarından biridir. Özellikle, günümüzde artan devlet teşvik mekanizmaları ile yükselen elektrik talebini karşılamada tercih edildiği için enerji üretiminde önemli bir yere sahiptir Türkiye Elektrik Piyasası katılımcıları, üretim ve tüketim tahminlerini gün öncesinden sisteme bildirerek, arz-talep dengesinin belirlenmesine katkı sağlamakla görevlidir. Yenilenebilir enerji kaynaklarının elektrik üretiminde kullanılarak, elektrik talebini karşılaması günümüzde en çok tercih edilen üretici katılım türüdür. Fakat yenilenebilir enerji tesislerinde karşılaşılan en büyük problem, değişken kaynak tahminlerine bağlı üretim belirsizliğidir. Özellikle artan elektrik talebiyle beraber, güneş enerjisi gibi yenilenebilir kaynakların öngörülebilirliği, Türkiye Elektrik Piyasası açısından geliştirilmesi gereken bir problem haline gelmiştir. Bu tezin amacı, güneş enerjisi üretim verisinin Elâzığ ili Merkez ilçesinde bulunan güneş enerjisi santrali için kısa ve orta vadeli üretim tahminlenmesinin yapılmasıdır. Bu çalışmayla ilgili santral için gün içi ve gün öncesi performansın geliştirilmesi de hedeflenmektedir. Geçmiş çalışmalar incelendiğinde, güneş enerjisi üretiminin modellenmesi ve tahmin edilmesi konusunda çeşitli araştırmalar mevcuttur. Çalışmalara genel çerçevede bakıldığında fiziksel yaklaşımlar, istatistiki methodlar ve yapay zekâ yöntemleri öne çıkmaktadır. Destek Vektör Makineleri, Lineer Regresyon Yöntemleri, Rassal Orman Sınıflandırması, Yapay Sinir Ağları gibi tahmin etme yöntemleri en sık tercih edilen uygulamalardır. Farklı alanlar ve farklı veri setleri kullanılmış olan literatür uygulamaları kıyaslandığında, korelasyon olarak en yüksek doğruluğa sahip modeller Yapay Sinir Ağları olarak gözlemlenmektedir (Abuella, 2015; Barrera, 2020). Yapay Sinir Ağları ve genetik algoritmalar canlılardaki hücrelerin biyolojik özelliklerinin matematiksel modellemesine dayanır. Yapay Sinir Ağları sinir hücrelerinin bir araya gelmesinden oluşmaktadır. Girdi ve çıktı katmanları birer tanedir, fakat aradaki katman sayısı değişkenlik gösterebilir. Bu yöntem tek katmanlı ve çok katmanlı olmak üzere iki farklı yapıya sahiptir. Tahmin modelinin seçiminin yanı sıra, giriş veri seti olarak adlandırılan değişken bütünü de önem taşımaktadır. Üretilen enerji miktarı ve değişkenlerin korelasyon matrisleri oluşturulduğunda, ortaya çıkan sonuçlar birçok çalışmada sunulmuştur. Global güneş radyasyonu değişkeni, üretilen enerji miktarı ile doğrusal bir korelasyona sahip olduğu için geçmiş çalışmalarda en çok tercih edilen değişkendir. (Ibrahim ve diğ., 2012). Raza ve diğ.( 2016) ortaya koydukları çalışmada, bulutluluk indeksinin dahil edildiği durumlarda tahmin performansının çok daha iyi sonuçlar verdiği görülmüştür. Veri setine dahil edilen bir diğer değişken ise sıcaklıktır. Sangrody ve diğ. (2017) hazırladığı çalışmada, sıcaklık ve üretilen enerji arasındaki ilişki, global güneş radyasyonundan sonraki en yüksek korelasyona sahiptir. Yapay Sinir Ağları yardımıyla yapılacak olan güneş enerjisini modelleme ve tahmin etme çalışmasında kullanılmak üzere, geçmiş çalışmalar incelenmiş ve girdi veri seti olarak üretim, sıcaklık, bulutluluk ve güneş radyasyonu değişkenleri dahil edilmiştir. Dünya Bankası desteği ile Global Solar Atlas tarafından 1999-2018 yılları arasındaki fotovoltaik enerji üretim verileri kullanılarak bir harita hazırlanmıştır. Bu haritada, çalışma bölgesi olarak seçilen Elâzığ ili, enerji üretimi potansiyeli olan 3. kategoride bir bölge olarak belirlenmiştir. Ek olarak, MGM tarafından 1988-2017 yılları arasındaki güneşlenme sürelerinin incelendiği çalışmada bu bölge, günlük ortalama 7,7 saatlik güneşlenme süresi ile potansiyeli yüksek bir konumda yer almaktadır. Çalışmanın yapıldığı fotovoltaik santral Elâzığ Merkez ilçesinde yer alan 0,999 MWe kurulu güce sahip bir lisanssız güneş enerjisi santralidir. Santral 2017 yılında kurulmuş olup, arazi tipi üretim santrali olarak kayıtlarda yer almaktadır. Güneş enerjisi üretim verisi saatlik olarak kWh biriminde ölçülmüştür. Veri seti 2018-2019 yıllarına ait saatlik verilerden oluşmaktadır. Sıcaklık (°C), bulutluluk (octa), global radyasyon (J/cm2 ) verileri Meteogroup adlı meteorolojik danışmanlık firması aracılığı ile Meteoroloji Genel Müdürlüğü'nden alınan gözlem verileridir. Bu çalışmada gizli katman sayısı 3 olarak seçilmiştir. Analizde öğrenme algoritması olarak traincgf (Conjugate gradient backpropagation with Fletcher-Reeves updates) algoritması seçilmiştir. Mimaride kullanılan gizli katmanda logsig (logaritmik sigmoid) aktivasyon fonksiyonu tercih edilmiştir. Katmanlardaki sinir sayıları sırasıyla 11, 11 ve 1 olarak kurgulanmıştır. Yapay Sinir Ağı mimarisinde ana veri seti eğitim ve test olmak üzere ikiye ayrılmaktadır. Geçmiş araştırmalarda en çok tercih edilen oran ise ana veri setinin %70'inin eğitim için kullanılmasıdır. Bu oran ile ayrıştırılan veri setinin eğitiminde ortaya çıkan korelasyon 0,96 iken, test aşamasında elde edilen korelasyon değeri 0,89'dur. Çalışmanın devamında, kısa ve orta vadeli tahminleme başarısının tespit edilmesi için 1 saat, 2 saat, 3 saat ve 4 saat sonrası için model çalıştırılmıştır. Ayrıca, tasarlanan YSA mimarisinin kıyaslanabilmesi ve test değerlerinin performansının ölçülebilmesi için de Lineer Regresyon (LR) methodu yardımı ile ikinci bir tahminlenme yapılmıştır. Yine bu method yardımı ile 1 saat, 2 saat, 3 saat ve 4 saat sonrası için model çalıştırılmıştır. Çalıştırılan modeller sonucunda Korelasyon (r ), Mean Absolute Error (MAE), Mean Squared Error (MSE) ve Root Mean Squared Error (RMSE) hesaplamaları yapılmıştır. Kıyas sonucunda tüm zamanlar için YSA mimarisinin daha iyi performans sergilediği tespit edilmiştir. YSA içerisinde yapılan hesaplamalara göre gün içi performansında kullanılabilecek zaman t-2 zamanına aittir. YSA ve LR tahminlerinin finansal olarak sonuçlarını ortaya koymak için Elektrik Piyasası Dengeleme Uzlaştırma Yönetmeliği'nde belirlenmiş olan Dengesizlik Maliyeti (MWh/Tl) ve Kar/Zarar hesabı yapılmıştır. Bu hesaba göre, iki model kıyaslandığında YSA, t-2 zamanına kadar minimum DM maksimum kar sağlarken; aynı performans LR modelinde t zamanında gözlemlenmiştir. Raza ve diğ.( 2016) ortaya koydukları çalışmada, bulutluluk indeksinin dahil edildiği durumlarda tahmin performansının çok daha iyi sonuçlar verdiği görülmüştür. Veri setine dahil edilen bir diğer değişken ise sıcaklıktır. Sangrody ve diğ. (2017) hazırladığı çalışmada, sıcaklık ve üretilen enerji arasındaki ilişki, global güneş radyasyonundan sonraki en yüksek korelasyona sahiptir. Yapay Sinir Ağları yardımıyla yapılacak olan güneş enerjisini modelleme ve tahmin etme çalışmasında kullanılmak üzere, geçmiş çalışmalar incelenmiş ve girdi veri seti olarak üretim, sıcaklık, bulutluluk ve güneş radyasyonu değişkenleri dahil edilmiştir. Dünya Bankası desteği ile Global Solar Atlas tarafından 1999-2018 yılları arasındaki fotovoltaik enerji üretim verileri kullanılarak bir harita hazırlanmıştır. Bu haritada, çalışma bölgesi olarak seçilen Elâzığ ili, enerji üretimi potansiyeli olan 3. kategoride bir bölge olarak belirlenmiştir. Ek olarak, MGM tarafından 1988-2017 yılları arasındaki güneşlenme sürelerinin incelendiği çalışmada bu bölge, günlük ortalama 7,7 saatlik güneşlenme süresi ile potansiyeli yüksek bir konumda yer almaktadır. Çalışmanın yapıldığı fotovoltaik santral Elâzığ Merkez ilçesinde yer alan 0,999 MWe kurulu güce sahip bir lisanssız güneş enerjisi santralidir. Santral 2017 yılında kurulmuş olup, arazi tipi üretim santrali olarak kayıtlarda yer almaktadır. Güneş enerjisi üretim verisi saatlik olarak kWh biriminde ölçülmüştür. Veri seti 2018-2019 yıllarına ait saatlik verilerden oluşmaktadır. Sıcaklık (°C), bulutluluk (octa), global radyasyon (J/cm2 ) verileri Meteogroup adlı meteorolojik danışmanlık firması aracılığı ile Meteoroloji Genel Müdürlüğü'nden alınan gözlem verileridir. Bu çalışmada gizli katman sayısı 3 olarak seçilmiştir. Analizde öğrenme algoritması olarak traincgf (Conjugate gradient backpropagation with Fletcher-Reeves updates) algoritması seçilmiştir. Mimaride kullanılan gizli katmanda logsig (logaritmik sigmoid) aktivasyon fonksiyonu tercih edilmiştir. Katmanlardaki sinir sayıları sırasıyla 11, 11 ve 1 olarak kurgulanmıştır. Yapay Sinir Ağı mimarisinde ana veri seti eğitim ve test olmak üzere ikiye ayrılmaktadır. Geçmiş araştırmalarda en çok tercih edilen oran ise ana veri setinin %70'inin eğitim için kullanılmasıdır. Bu oran ile ayrıştırılan veri setinin eğitiminde ortaya çıkan korelasyon 0,96 iken, test aşamasında elde edilen korelasyon değeri 0,89'dur. Çalışmanın devamında, kısa ve orta vadeli tahminleme başarısının tespit edilmesi için 1 saat, 2 saat, 3 saat ve 4 saat sonrası için model çalıştırılmıştır. Ayrıca, tasarlanan YSA mimarisinin kıyaslanabilmesi ve test değerlerinin performansının ölçülebilmesi için de Lineer Regresyon (LR) methodu yardımı ile ikinci bir tahminlenme yapılmıştır. Yine bu method yardımı ile 1 saat, 2 saat, 3 saat ve 4 saat sonrası için model çalıştırılmıştır. Çalıştırılan modeller sonucunda Korelasyon (r ), Mean Absolute Error (MAE), Mean Squared Error (MSE) ve Root Mean Squared Error (RMSE) hesaplamaları yapılmıştır. Kıyas sonucunda tüm zamanlar için YSA mimarisinin daha iyi performans sergilediği tespit edilmiştir. YSA içerisinde yapılan hesaplamalara göre gün içi performansında kullanılabilecek zaman t-2 zamanına aittir. YSA ve LR tahminlerinin finansal olarak sonuçlarını ortaya koymak için Elektrik Piyasası Dengeleme Uzlaştırma Yönetmeliği'nde belirlenmiş olan Dengesizlik Maliyeti (MWh/Tl) ve Kar/Zarar hesabı yapılmıştır. Bu hesaba göre, iki model kıyaslandığında YSA, t-2 zamanına kadar minimum DM maksimum kar sağlarken; aynı performans LR modelinde t zamanında gözlemlenmiştir.

Özet (Çeviri)

With the developing world and population growth, the need for global energy is increasing day by day. Trying to meet the industrial energy demand, which has increased with the industrial revolution, from fossil fuels, poses great problems for our present and future. With the Paris Climate Agreement, efforts are being made to reduce global CO2 emissions. According to research, it has been revealed that renewable energy sources will cause much lower CO2 emissions than fossil sources in scenarios prepared until 2050. Solar energy, which is one of the renewable energy types, is one of the energy sources recommended to be preferred in terms of clean, sustainable, and abundant in nature. Especially today, with increasing government incentive mechanisms to supply the increasing demand for electric power generation it is stated as an important place. The participants of the Turkish Electricity Market are responsible for the determination of the supply-demand balance by notifying the system of their production and consumption forecasts the day before. Nowadays, supplying the electricity demand with renewable energy sources is the most preferred type of production participant. However, the major problem encountered in renewable energy facilities is production uncertainty due to variability in estimations. Especially with the increasing electricity demand, the predictability of renewable resources such as solar energy has become a vital problem that needs to be improved in terms of the Turkish Electricity Market. The purpose of this thesis is to make short and medium-term production estimations of solar energy production data for the solar power plant located in the Merkez district of Elâzig province. The aim of this study is to improve the intraday and preday performance of the related power plant. During the literatuer review, it is observed that there are various studies on modeling and estimation of solar energy production. When the studies are examined in a general framework, physical approaches, statistical methods and artificial intelligence methods come to the fore. Estimation methods such as Support Vector Machines, Linear Regression Methods, Random Forest Classification, Artificial Neural Networks are the most preferred applications. When the literature applications using different fields and different data sets are compared, the models with the highest accuracy in correlation are observed in Artificial Neural Networks (Abuella, 2015) (Barrera, 2020). Artificial Neural Network is based on the mathematical modeling of the biological properties of cells in living things, such as genetic algorithms and other systems under the concept of artificial intelligence, such as fuzzy logic. Artificial Neural Network is made up of a combination of nerve cells. The input and output layers are unique, but the number of layers in between can be varied. There are two different structure types which are single-layer and multi-layer. In addition to the selection of the estimation model, the set of parameters called the input data set is also important. The results obtained when the correlation matrices of the amount of energy produced and the parameters are created have been presented in many studies. Since the global solar radiation parameter has a linear correlation with the amount of energy produced, it is stated as the most preferred parameter in previous studies (Ibrahim et al., 2012). Raza et al. (2016) in their study in which the cloudiness index was included, the prediction performance was much better. Another parameter included in the data set is temperature. Sangrody et al. (2017), the relationship between temperature and produced energy has the highest correlation after global solar radiation. Past studies were examined to be used in solar energy estimation and modeling work to be done with the help of Artificial Neural Network and production, temperature, cloudiness, and solar radiation parameters were included as input data set. A map was prepared by Global Solar Atlas with the support of the World Bank, using photovoltaic energy production data between 1999-2018. In this map, the province of Elâzığ, selected as the Study region, has been determined as a region in the 3rd category with energy production potential. In addition, in the study examining the sunshine durations between 1988 and 2017 by MGM, it is in a high potential position with an average daily sunshine duration of 7.7 hours. The photovoltaic power plant where the study was conducted is an unlicensed solar power plant with an installed power of 1 MWe located in the central district of Elâzığ. The power plant was established in 2017 and is included in the records as a land type generation power plant. Solar energy production data is measured hourly in kWh. The data set consists of hourly data for the years 2018-2019. Temperature ©, cloudiness (octa), Global Radiation (J/cm^2) data are observation data obtained from the General Directorate of Meteorology through the meteorological consultancy company MeteoGroup. In this study, 3 hidden layers were used to configurate the architechture.. Traincgf (Conjugate gradient backpropagation with Fletcher-Reeves updates) algorithm was chosen as the learning algorithm in the analysis. The logsig (logarithmic sigmoid) activation function is preferred in the hidden layer used in the architecture. The number of nerves in the layers was set as 11, 11 and 1, respectively. In the Artificial Neural Network architecture, the main data set is divided into two as training and testing. The most preferred rate in past research is that 70% of the main data set is used for training. While the correlation that emerged in the training of the data set decomposed with this ratio was 0.96, the correlation value obtained in the testing phase was 0.89. In the continuation of the study, the model was run for 1 hour, 2 hours, 3 hours, and 4 hours to determine the short and medium-term forecasting success. In order to compare the designed ANN architecture and measure the performance of the test values, a second estimation was made with the help of the Linear Regression method. With this method, the prediction model was run for 1 hour, 2 hours, 3 hours and 4 hours later. Correlation (r ), Mean Absolute Error (MAE), Mean Squared Error (MSE) and Root Mean Squared Error (RMSE) calculations have been made as a result of the models. As a result of the comparison, it has been determined that the ANN architecture performs better for all times. According to the calculations made in the ANN, the time that can be used in the intraday performance belongs to t-2 time. To determine the financial results of the ANN and LR estimations, the Energy Imbalance Cost (MWh/Tl) and Profit/Loss calculations ,which is based on Turkish Electricity Market Regulations, has been done. According to these calculations, when the two models are compared, ANN provides minimum EIC and maximum Profit until time t-2; The same performance is observed at time t in the LR model.

Benzer Tezler

  1. Tez No

    863485

    Short-term solar power forecasting with artificial neural network models

    Yapay sinir ağları modelleri ile kısa süreli güneş enerjisi tahmini

    SEÇKİN GÖKÇE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  2. Tez No

    570515

    Güneş enerjisi santralleri için bir kısa süreli üretim tahmin sistemi geliştirilmesi

    Developing a short term generation forecast system for solar power plants

    AHMET OĞUZ GÖK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ŞEKKELİ

  3. Tez No

    856413

    Makine öğrenimi yöntemleri ile güneş paneli enerji üretim tahmini ve ömrünün sürdürülebilirliğe katkısı

    Solar panel energy production forecasting by machine learningmethods and contribution of lifespan to sustainability

    HÜSEYİN YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Enerjiİskenderun Teknik Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ŞAHİN

  4. Tez No

    751804

    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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ HAKAN IŞIK

  5. Tez No

    783711

    Comparison of experimental and semi-experimental models for predicting solar thermal power plants with artificial neural network

    Solar termal santralların yapay sinir ağlarıyla öngörüsünde deneysel ve yarı-deneysel modellerin karşılaştırılması

    SHABNAM CHOOPANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK BARUTÇU

Geri Dön