Geri Dön

Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması

Comparison of solar panel energy production forecast with machine learning methods

  1. Tez No: 747192
  2. Yazar: HAVVA AYYILDIZ KOÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Amasya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Ülkeler elektrik enerjisi ihtiyacının yükselmesi nedeniyle ucuz ve güvenilir yenilenebilir enerji üretimine yönelmiştir. Son yıllara bakıldığında yenilebilir enerji kaynakları içerisinden fotovoltaik (FV) enerji sistemleri ön plana çıkmaktadır. Üretilen güneş enerjisinin makine öğrenmesi yöntemleri ile tahmininde güneş radyasyonu, basınç, sıcaklık gibi meteorolojik veriler etkili faktörlerdir. Bu faktörler de hava şartlarına göre değişkenlik gösterdiğinden, güneş enerjisi santrallerinde geleceğe dair üretilebilecek enerji miktarını tahmin etmek zordur. Güneş panellerinin kurulumu yapılmadan önce ışınım şiddetine göre ortaya çıkacak elektrik enerji potansiyelinin hesaplanması için farklı yöntemler geliştirilmiştir. Bu yöntemlerden birisi de son zamanlarda yaygınlaşan makine öğrenme algoritmalarının kullanılarak model oluşturulması ve sonuçların değerlendirilmesidir. Bu tez çalışmasında; Amasya Üniversitesi İpekköy yerleşkesindeki güneş panellerinden saatlik üretilen enerjinin, makine öğrenmesi modelleri kullanılarak tahmin yapılmaya çalışılmıştır. Meteorolojik faktörlerin enerji üretimindeki etkileri analiz edilmiştir. Değerlendirmeler için Python programlama dilinin kütüphaneleri kullanılarak makine öğrenmesi gerçekleştirilmiştir. Yapılan çalışmada, veri seti olarak 2016 yılı Amasya bölgesine ait sıcaklık, güneş radyasyonu, azimut açısı ve üretilen enerji verileri kullanılmıştır. Çalışmadaki verilerin %80'i eğitim veri seti için, %20'si ise test verisi için kullanılmıştır. Veri eğitimi için makine öğrenmesi algoritmalarından Lojistik Regresyon, AdaBoost, Naive Bayes, K-En Yakın Komşu, Rastgele Orman, Destek Vektör Regresyonu ve Yapay sinir ağları algoritmaları kullanılmıştır. Sonuç olarak elde edilen veriler kullanılarak güneş enerjisi potansiyeli başarılı bir şekilde tahmin edilmiştir.

Özet (Çeviri)

Countries have turned to cheap and reliable renewable energy production due to the increase in electricity energy needs. Photovoltaic (PV) energy systems have been a prevalent one among these energy resources in recent years. In the estimation of generated solar energy using machine learning methods, meteorological data like solar radiation, pressure, and temperature are influential elements. The future generation of energy in solar power plants can be quite difficult to predict since these elements vary depending on weather conditions. Methods have been developed to calculate potential electricity generation from radiation energy before the installation of plants. One of these methods is to create a model and obtain simulation results by using machine learning algorithms that have become widespread recently. In this thesis study; It was aimed to predict the hourly electric power generation in the photovoltaic panels in Amasya University, Ipekkoy campus, using machine learning models. The effects of meteorological factors on energy production were analyzed. Machine learning was carried out using the libraries of the python programming language for the evaluations. In the study, temperature, solar radiation, azimuth angle and produced energy data of 2016 Amasya region were used as data set. 80% of the data in the study were used for the learning dataset, while 20% were used for testing data. For data learning, machine learning algorithms of Linear Regression models, Support Vector Regression, AdaBoost Regressor, K-Nearest Neighbors, Random Forest, Naive Bayes, and Artificial Neural Network were used. As a result, the solar energy potential was successfully estimated using the obtained data.

Benzer Tezler

  1. 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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  2. Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  3. Makine öğrenimi teknikleri ile güneş ışınımı ve güç kestirimi

    Prediction of solar radiation and power using machine learning techniques

    CAN YUNUS ERÖZDEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SELMA GÜRLER

  4. Tek ve çift yüzlü fotovoltaik panellerin enerji performansının karşılaştırılması

    Comparison of energy performance between monofacial and bifacial photovoltaic panels

    AHMET DURAK

    Doktora

    Türkçe

    Türkçe

    2024

    EnerjiTekirdağ Namık Kemal Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR AKYOL

  5. Hibrit güç üretimi tahmininde makine öğrenimi algoritmalarının performans analizi

    Performance analysis of machine learning algorithms in hybrid power generation prediction

    BEGÜM UZUNOKUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiHarran Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GENCAY SARIIŞIK