Geri Dön

Makine öğrenimi tabanlı fotovoltaik çıkış gücü tahminlemesi

Machine learning based photovoltaic output power forecasting

PDF İndir

  1. Tez No: 762139
  2. Yazar: BERRİN ERYILMAZ
  3. Danışmanlar: DOÇ. DR. FATİH KOÇYİĞİT, DR. ÖĞR. ÜYESİ HEYBET KILIÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları
  12. Bilim Dalı: Teknolojileri Ana Bilim Dalı
  13. Sayfa Sayısı: 104

Özet

Fosil yakıt kaynaklarının sınırlı olması, çevreye zararlı etkilerinin olması gibi nedenlere ek olarak küresel enerji alanında yaşanan kötü gidişatın önünü almak için fotovoltaik (PV) sistemlerinin kurulum kapasitesi giderek artmaktadır. PV sistemlerinin hava koşularına bağımlılığı PV güç çıkışlarında kararsızlığa, gerilim, frekans dalgalanmaları ve kesintilere neden olmaktadır. Bu durum ise PV enerjisinin şebekelere entegrasyonunu zorlaştırmaktadır. Bu yüzden PV güç çıkışını önceden kısa süreli tahmin etmek karşılaşılan zorlukların üstesinden gelmek için çok önemlidir. Bu çalışmanın amacı, literatürde makine öğrenimi modellerinde yaygın olan aşırı öğrenme ve yavaş öğrenme dezavantajlarının üstesinden gelerek daha hızlı öğrenen ve yüksek doğrulukta performans gösteren Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı (GD-RVFL) ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli 10 farklı makine öğrenimi yöntemi olan Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Yapay Sinir Ağı (YSA), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) ve Ridge Regressor (RR) yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir. Bu çalışmada makine öğrenimi modellerini oluşturmak ve uygulamak için MATLAB programı kullanılmıştır. Bu çalışmanın veri seti, Diyarbakır'ın Dicle Üniversitesi kampüsünde bulunan PV güç santralinden ve güneş enerji istasyonundan toplanmıştır. Veri seti, 10 dakikalık aralıklarla Mayıs 2019-Nisan 2022 tarihleri arasında elde edilmiştir. Bu çalışmada, ilk olarak, güneş ışınımı, güneşlenme süresi, rüzgâr hızı, ortam sıcaklığı, panel yüzey sıcaklığı, bulutluluk oranı, DC akım, gerilim ve bağıl nem parametreleri Konikal Korelasyon Analizi (KKA) modeli kullanarak hava tipi seviyelerine göre dört sınıfa ayrılmıştır. Daha sonra GD-RVFL modeli, bu dört sınıfa ayrılan hava tipini giriş olarak kullanılarak kısa vadeli (10 dakika) PV çıkış gücünü tahmin etmiştir ve sonuçlar 10 farklı makine öğrenimi modeli ile karşılaştırılmıştır. Yapılan bu karşılaştırma sonucunda GD-RVFL' nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür. Ayrıca bölgede meteorolojik koşullar nispeten sabit olduğu günlerde modellerin çoğu nispeten yüksek doğruluk göstermiştir. Hava koşullarının değişkenlik gösterdiği günlerde ise GD-RVFL daha iyi sonuç vermiştir. Meteorolojik koşulların sabit olduğu günlerin Ortalama Mutlak Yüzdelik Hata (OMYH) değerleri sırasıyla 1,68; 1,72 ve 1,82 olmuştur. Sonuç olarak seçilen özellikler ve yöntem tahmin doğruluğunun önemli ölçüde iyileştirmiştir.

Özet (Çeviri)

The installation capacity of photovoltaic (PV) systems is gradually increasing in order to prevent reasons such as limited fossil fuel resources, harmful effects on the environment and the bad course in the global energy field The dependence of PV systems on weather conditions causes instability, voltage, frequency fluctuations and interruptions in PV power outputs. This situation complicates the integration of PV energy into the grids. Therefore, short-term forecasting of PV power output is crucial to overcome the challenges. The aim of this study is to use the Robust Arranged Random Vector Function Interconnect (GD-RVFL) network model, which learns faster and performs with high accuracy, overcoming the excessive learning and slow learning disadvantages that are common in machine learning models in the literature, to predict the short-term PV output power and in this context by comparing the proposed model with Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Artificial Neural Network (ANN), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) and Ridge Regressor (RR) methods, which are 10 different machine learning methods to evaluate the performance of the models. In this study, MATLAB program was used to create and implement machine learning models. The data set was collected from the PV power plant and the solar power station located on the Dicle University campus in Diyarbakır. The dataset has 10-minute periods between May 2019 and April 2022. First, solar radiation, sunshine duration, wind speed, ambient temperature, panel surface temperature, cloudiness, DC current, voltage and relative humidity parameters were divided into four classes according to weather type levels using Conical Correlation Analysis (KKA) model. Next, the RR-RVFL model estimated the short-term (10 minutes) PV output power using these four classes of air type as input, and the results were compared with 10 different machine learning models. As a result of this comparison, it was seen that the efficiency of RR-RVFL significantly outperformed the other 10 machine learning models. Also, on days when meteorological conditions in the region were relatively stable, most of the models showed relatively high accuracy. On days when weather conditions varied, RR-RVFL gave better results. Mean Absolute Percentage Error (OMYH) values of the days with constant meteorological conditions were 1.68, 1.72 and 1.82 respectively. As a result, the selected features and method significantly improved the prediction accuracy.

Benzer Tezler

  1. Tez No

    942802

    Forecasting of produced output electricity in photovoltaic power plants

    Foto-voltaik güç santrallarında elektrik üretim tahmini

    TARANEH SAADATI

    Doktora

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. BURAK BARUTÇU

  2. Tez No

    884123

    Machine learning in solar energy utilization

    Solar enerji kullanımında makine öğrenmesi

    BURCU ORAL

    Doktora

    İngilizce

    İngilizce

    2023

    Kimya MühendisliğiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. RAMAZAN YILDIRIM

  3. Tez No

    928415

    Yapay zeka tabanlı bara diferansiyel koruma sistemi

    Artificial intelligence based busbar differential protection system

    EMRE ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  4. Tez No

    938004

    A new optimization-based model for economic evaluation of multi-household domestic energy systems with levelized cost of electricity consumed

    Çok haneli evsel enerji sistemlerinin seviyelendirilmiş tüketilen elektrik maliyeti ile değerlendirmesinin içeren optimizasyon tabanlı yeni bir model

    YEABSIRA YETAGESSU TADESSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE KÜBRA TATAR

  5. Tez No

    931153

    Makine öğrenimi tabanlı kanat profili üzerindeki aerodinamik kuvvetlerin tahmini ve şekil optimizasyonu modelinin geliştirilmesi

    Machine learning based prediction of aerodynamic forces on wing profile and development of shape optimization model

    ABDULSAMET EKŞİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK SEVGEN

Geri Dön