Makine öğrenimi tabanlı fotovoltaik çıkış gücü tahminlemesi
Machine learning based photovoltaic output power forecasting
- Tez No: 762139
- Danışmanlar: DOÇ. DR. FATİH KOÇYİĞİT, DR. ÖĞR. ÜYESİ HEYBET KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Hava tipleri, Korelasyon analizi, Makine öğrenmesi, Weather types, Correlation analysis, Machine learning
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Image-based fault detectıon ın photovoltaıc panels usıngmachıne learnıng
Makıne öğrenımı kullanılarak fotovoltaık panellerdegörüntü tabanlı arıza tespıtı
ALI MOHAMED ALTAHER BAIT ELMAL
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Topkapı ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEVAT RAHEBİ
- PV güç tahmininde makine öğrenimi modellerinin karşılaştırmalıdeğerlendirmesi
Comparatıve evaluatıon of machıne learnıng models forPV power forecastıng
NOR ALDEN MAHMOUD SULEIMAN ELSHAWEESH
Yüksek Lisans
Türkçe
2025
EnerjiKarabük ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR İNANÇ
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Optimized random forest model for prediction solar irradianceand photovoltaic total power energy by using JAYA algorithm
JAYA algoritması kullanılarak güneş ısınımı ve fotovoltaik toplam güç enerjisinin tahmin için optimize edilmiş random forest modeli
MARIAM KENAWY
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykoz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İNAL BEGÜM TURNA DEMİREL