Geri Dön

Güneş enerji santrali kısa dönem enerji üretim tahmini

Short-term energy production forecast for solar power plant

  1. Tez No: 804315
  2. Yazar: MELİKE KOCA
  3. Danışmanlar: DOÇ. DR. ÖKKEŞ FATİH KEÇECİOĞLU, DR. ÖĞR. ÜYESİ CEYHUN YILDIZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Yenilebilir Enerji Kaynakları, Güneş Enerjisi Santrali, Gün Öncesi Güç Tahmini, Makine Öğrenmesi, Renewable Energy Sources, Solar Power Plant, Day-Ahead Power Forecast, Machine Learning
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Türkiye sahip olduğu fiziki özellikler nedeniyle oldukça yüksek bir güneş enerjisi potansiyeline sahiptir ve ülkedeki Güneş Enerjisi Santrali (GES) kurulu gücü her geçen gün artmaktadır. Fakat GES enerji üretimi değişken bir karaktere sahiptir ve üretilen değişken enerji elektrik şebekelerindeki arz-talep dengesini bozucu bir etki oluşturmaktadır. Bu konuda yapılan çalışmalar bozucu etkiyi yok etmek için GES üretim tahminlerinin gerekli olduğunu göstermektedir. Bu çalışmada GES üretimlerinin gün öncesinden tahmini için makine öğrenmesi algoritmaları temelli modeller geliştirilmiştir. Model girdileri Sayısal Hava Tahminleri (SHT) ve uygulama yapılan santralden alınan geçmiş güç değerleridir. Çalışmada kullanılan SHT verileri Meteoroloji Genel Müdürlüğünden (MGM) alınmıştır. Geçmiş güç değerleri ise şebekeye bağlı, 1 MW kurulu gücünde ve Eskişehir ilinde tesis edilmiş bir GES'ten temin edilmiştir. Model girdi verileri ve dört farklı makine öğrenmesi algoritması kullanılarak gün öncesi üretim tahminleri elde edilmiştir. Çalışmada kullanılan makine öğrenmesi algoritmaları; Doğrusal Regresyon (DR), Regresyon Ağacı (RA), Destek Vektör Makinesi (DVM) ve Gauss Süreç Regresyonu (GSR)'dur. Tahminlerin doğruluğu Kök Ortalama Kare Hata (RMSE), Ortalama Mutlak Hata (MAE) ve Determinasyon Katsayısı (R) performans değerlendirme kriterleri kullanılarak ölçülmüştür. Çalışma sonunda en iyi performans sergilediği tespit edilen GSR algoritması tahminleri için RMSE, MAE ve R değerleri sırasıyla 129.78 (kWh), 70.80 (kWh) ve 0.91 olarak hesaplanmıştır.

Özet (Çeviri)

Turkey has a very high solar energy potential due to its physical characteristics, and the installed capacity of Solar Power Plants (SPP) is increasing by the day. However, the energy generated by SPP is variable, and variable energy disrupts the supply-demand balance in power grids. The studies on this subject show that SPP generation estimates are necessary to eliminate the disruptive effect. In this study, models based on machine learning algorithms were developed for the day-ahead prediction of SPP generation. The model inputs were Numerical Weather Forecasts (NWP) and historical power values taken from the investigated power plant. NWP data used in the study were obtained from the General Directorate of Meteorology (GDM). The historical power values were obtained from a grid tied SPP that located in Eskisehir with 1 MW installed power capacity. The model input data and four different machine learning algorithms were utilized to obtain day-ahead generation forecasts. The machine learning algorithms used in the study were Linear Regression (DR), Regression Tree (RA), Support Vector Machine (DVM) and Gaussian Process Regression (GSR). The accuracy of the forecasts was measured using Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Determination Coefficient (R) performance evaluation criteria. At the end of the study, RMSE, MAE and R values were calculated as 129.78 (kWh), 70.80 (kWh) and 0.91, respectively, for the GSR algorithm which was found to have the best performance.

Benzer Tezler

  1. Elektrik dağıtım sistemlerinde birey odaklı konfor öncelikli talep yönetimi için akıllı yöntem geliştirilmesi

    Developing an intelligent method for the user oriented comfort based demand response studies in the electricity distribution systems

    MEHMET ALİ SÖNMEZ

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA BAĞRIYANIK

  2. Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini

    Short term solar energy prediction by using artifical neural networks

    ELA NUR ORUÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÖZTOPAL

  3. Elektrikli araçların şehir şebekesine entegrasyonu: Mardin örneği

    Integration of electric vehicles to the city network: The case of Mardin

    RIDVAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DAVUT SEVİM

  4. 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

  5. Yenilenebilir enerji kaynaklı santrallerde enerji üretimi ve denetimi

    Energy production and audit at renewable energy power plants

    ONUR ODYAKMAZ

    Doktora

    Türkçe

    Türkçe

    2008

    EnerjiYıldız Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. DÜRİYE BİLGE