Makine öğrenimi ile güneş enerjisi santrali üretim tahmini
Solar power plant production forecast with machine learning
- Tez No: 762395
- Danışmanlar: DR. ÖĞR. ÜYESİ SALTUK BUĞRA SELÇUKLU
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enerji Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Güneş enerjisi yüksek bir potansiyel göstermektedir ve güneş fotovoltaik (PV) sistemlerinden elektrik üretimi sürekli artmaktadır. Bir güneş PV santralinin çıkış gücü, küresel güneş radyasyonu, hava sıcaklığı, rüzgâr, bağıl nem, hava basıncı, bulutluluk ve çiy noktası gibi hava değişkenlerine bağlı olması nedeniyle sabit değildir ve ayrıca yılın mevsimlerine ve günün saatine göre değişir. Ancak, bir PV tesisinden elektrik üretiminin tahmini, işletme, planlama, tesis optimizasyonu ve güneş enerjisi ticareti için gereklidir. Ek olarak, güneş enerjisinin kesintili olması nedeniyle, elektrik şebekesine entegrasyonu büyük bir zorluktur. Bu zorluğun üstesinden gelmek ve PV santral çıkış gücünü tahmin etmek için çeşitli yöntemler kullanılır. Makine öğrenmesi teknikleri ve algoritmaları PV sistemlerinin çıkış gücünün tahmin edilmesinde kullanılabilecek yöntemlerden biridir. Makine öğrenimi (MÖ), bilgisayarlara insanlar tarafından açıkça programlanmadan deneyimlerden (yani veri kümesinden) otomatik olarak öğrenme yeteneği verebilen teknikleri ifade eder. Bu tezde, meteorolojik ve elektrik enerjisi üretim veri setleri oluşturmak için Kayseri ili Bünyan ilçesinde yer alan bir güneş enerji santralinden (GES) ve ilgili meteoroloji istasyonlarından 2016-2017 arasına ait bir yıllık veriler alınmıştır. Öncelikle, veriler analiz edilmiş ve farklı veri işleme stratejileri kullanılarak yeni veri setleri oluşturulmuştur. Güneş radyasyonu, hava sıcaklığı, rüzgâr hızı, bağıl nem, hava basıncı, bulutluluk ve çiy noktası gibi meteorolojik veriler girdi olarak ve güneş enerji santralinin bir yıllık üretim verileri çıktı olarak kullanılarak güneş enerji santralinin gelecek üretim değerlerinin makine öğreniminde en çok kullanılan k-en yakın komşuluk (kNN), Destek Vektör Makinesi (SVM), Lojistik Regresyon (LR), Karar Ağaçları (DT), Rastlantısal Ormanlar (RF), XGBoost (XGB) algoritmaları ile tahmini gerçekleştirilmiştir. Ayrıca, bu tahminleri iyileştirmek adına hem meteorolojik veriler hem de üretim verileri zaman serilerine uyduğu için Uzun Kısa Süreli Hafıza (LSTM) algoritması kullanıldı. Bu çalışmada, başlangıçta oluşturulan 7 veri seti üzerinde dört farklı metotla denemeler yapıldı. Elde edilen sonuçlara göre RF algoritması, 5. veri seti ve D denemesi kullanarak Ortalama Mutlak Hata (MAE) 38.09 ve R-kare Puanı (R²) 0.938 ile en iyi tahmin sonuçlarını vermiştir. Bu sonuçlarda kullanılan 5. veri seti, ham veri setindeki eksik verilerin doğrusal interpolasyon ve bulunduğu ay ve saatin ortalaması alınarak giderildiği veri setidir. D denemesinde ise veri setinin %80'i eğitim ve %20'si test için Python koduyla bölünüp algoritmalarda kullanıldı. LSTM algoritması kullanılarak ise üç farklı çalışma yapılmıştır. Ayrıca ilk 7 veri setinden elde edilen deneyimlerle 2 veri seti daha özel olarak kurgulanmıştır. LSTM kullanılarak yapılan birinci çalışmada verilere standart ölçeklendirme, ikinci çalışmada minmax ölçeklendirme yapılmış ve üçüncü çalışma ölçeklendirme yapmadan gerçekleştirilmiştir. LSTM sonuçlarında MAE 0.034 ve R² 0.965 ile en iyi sonuç 8. veri setine MinMax ölçeklendirme yapıldığında elde edilmiştir. 8. veri seti, ham verilerde dört ve daha fazla hücre eksikli satırların ve yağış (PRC) sütunun verileri silinerek elde edildi.
Özet (Çeviri)
Solar energy shows a high potential and electricity production from solar photovoltaic (PV) systems is constantly increasing. The output power of a solar PV plant is not constant as it depends on weather variables such as global solar radiation, air temperature, wind, relative humidity, air pressure, cloudiness, and dew point, and also varies with the seasons of the year and the time of day. However, forecasting electricity generation from a PV plant is essential for operation, planning, plant optimization, and energy trading. In addition, due to the intermittent nature of solar energy, its integration into the electricity grid is a major challenge. Various methods are used to overcome this difficulty and to estimate the PV plant output. Machine learning techniques and algorithms are one of the methods that can be used to estimate the output power of PV systems. Machine learning (ML) refers to techniques that can give computers the ability to learn automatically from experience (i.e., datasets) without being explicitly programmed by humans. In this thesis, one-year data for the period of 2016-2017 were taken from a solar power plant and related meteorological stations located in the Bünyan district of Kayseri province to create meteorological and electrical energy production datasets. First, the data were analyzed, and new datasets were created using different data processing strategies. Meteorological data such as solar radiation, air temperature, wind speed, relative humidity, air pressure, cloudiness, and dew point are used as inputs, and oneyear production data of the solar power plant as output. k-Nearest Neighborhood (kNN), Support Vector Machine (SVM), Logistic Regression (LR), Decision Trees (DT), Random Forests (RF), and XGBoost (XGB) algorithms were utilized. In addition, the Long ShortTerm Memory (LSTM) algorithm was used to improve these estimates, as both meteorological data and production data fit the time series. In this study, experiments were carried out with four different methods on 7 datasets created at the beginning. According to the results obtained, the RF algorithm, using the 5th data set and experiment D, gave the best estimation results with a Mean Absolute Error (MAE) of 38.09 and an R-square (R²) score of 0.938. The 5th data set used in these results is the data set in which the missing data in the raw data set is eliminated by linear interpolation and the average of the month and time in which it is found. In experiment D, 80% of the data set was split with Python code for training and 20% for testing. Three different studies were conducted using the LSTM algorithm. In addition, 2 more specially designed datasets were created with the experiences obtained from the first 7 datasets. In the first study using LSTM, standard scaling was applied to the data, in the second study, MinMax scaling was performed, and the third study was performed without scaling. In the LSTM results, with an MAE of 0.034 and an R² of 0.965, the best results were obtained when MinMax scaling was applied to the 8th dataset. The 8th dataset was obtained by deleting rows with four or more cells missing in the raw data and the precipitation (PRC) column.
Benzer Tezler
- 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
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Digitizing electricity generation in solar panel farms with digital twin and operating with high efficiency
Dijital ikiz ile güneş paneli çiftliklerinde elektrik üretiminin dijitalleştirilmesi ve yüksek verimlilikle çalıştırılması
TOLGA YALÇIN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞÇE DEMİRDELEN
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ
- Yapay zeka yardımıyla güneş enerjisi üretim tahminlemesi ve gerçekleşen üretim değerleri ile tasarım programı çıktılarının karşılaştırmalı analizi
Solar energy production estimation with the help of artificial intelligence and comparative analysis of realized production values and design program outputs
GAMZE MERSİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiGüneş Enerjisi Ana Bilim Dalı
PROF. DR. MELİH SONER ÇELİKTAŞ