Makine öğrenimi teknikleri ile güneş ışınımı ve güç kestirimi
Prediction of solar radiation and power using machine learning techniques
- Tez No: 833606
- Danışmanlar: PROF. DR. SELMA GÜRLER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, İstatistik, Computer Engineering and Computer Science and Control, Energy, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 66
Özet
Son yıllarda iklim değişikliği ve özellikle küresel ısınmanın etkileri görüldükçe, enerji tasarrufu ve yenilenebilir enerjinin önemi giderek artmıştır. Yenilenebilir enerji alanında başta güneş enerjisi ve rüzgar enerjisi olmak üzere jeotermal, biyokütle, dalga ve hidroelektrik enerji gibi pek çok enerji sistemi uygulaması mevcuttur. Yenilenebilir enerji sistemleri kurulmadan önce ekonomik ve çevresel sürdürülebilirliklerinin incelenmesi sistemlerden optimum verim elde etmek amacıyla önem taşımaktadır. Bu doğrultuda yenilenebilir enerji sistemlerinde güvenilirlik ve enerji tahmini çalışmaları sürdürülebilirlik bağlamında etkili çalışma alanları arasına girmektedir. Enerji sistemlerin geleceğe yönelik güvenilirlik ve enerji tahmininde makine öğrenimi metotları kullanılmaktadır. Yapılan çalışmada da kurulması planlanan bir güneş enerjisi sisteminin enerji tahmininde güneş ışınımı tahmini için Yapay Sinir Ağları, LightGBM (Hafif Gradyan Artırma Makineleri) ve LSTM (Uzun Kısa Zamanlı Bellek) gibi makine öğrenimi modelleri kullanılmıştır. Kullanılan makine öğrenimi modellerinin tahmin performansları çeşitli hata metrikleri ile karşılaştırılarak en başarılı sonuçları veren LightGBM modeli seçilmiştir. Seçilen modelin test verisi üzerinde Ortalama Mutlak Hata Yüzdesi (MAPE) değeri %21,29 olmuştur. Seçilen LightGBM modeli üzerinden yapılan güneş ışınımı tahminleri kullanılarak belirli parametrelerdeki bir güneş paneli sisteminin sonraki güne ait saatlik güç ve günlük enerji üretim kestirimi yapılmıştır.
Özet (Çeviri)
In recent years, as the impacts of climate change and particularly global warming have become more evident, the significance of energy efficiency and renewable energy has grown substantially. In the field of renewable energy, there are numerous applications of energy systems, including solar energy and wind energy, as well as geothermal, biomass, wave, and hydropower energy. Examining the economic and environmental sustainability before the installation of renewable energy systems is crucial to achieve optimal efficiency from these systems. In this context, reliability and energy forecasting studies in renewable energy systems have emerged as effective areas of research within the context of sustainability. Machine learning methods are employed for reliable energy forecasting and assessment in energy systems. In the conducted study, various machine learning models such as Artificial Neural Networks, LightGBM (Light Gradient Boosting Machines), and LSTM (Long Short-Term Memory) have been employed for the energy prediction of a solar energy system planned to be installed. The machine learning models used were compared by evaluating their prediction performance using various error metrics, and the LightGBM model, which yielded the most successful results, was selected. The selected model achieved a Mean Absolute Percentage Error (MAPE) value of 21.29% on the test data. Using the predictions made with the chosen LightGBM model for solar irradiance, hourly power output and daily energy production estimates for a solar panel system under specific parameters were conducted for the following day.
Benzer Tezler
- Machine learning techniques for solar power output predicting
Güneş enerjisi çıkışını tahmin etmek için makine öğrenimi teknikleri
SAMAA YAHYA DAWOOD AL_MAYYAHI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMOUD HK. ALDABABSA
- 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
- Bulanık analitik hiyerarşi prosesi ve makine öğrenmesi yöntemleri ile güneş enerjisi santralleri için yer seçimi: Batı Akdeniz örneği
Site selection for solar power plants with fuzzy analytic hierarchy process and machine learning methods: The case of the West Mediterranean
İSMAİL YILMAZ
Yüksek Lisans
Türkçe
2024
CoğrafyaAkdeniz ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDÜLKADİR KOÇER
DR. ERCÜMENT AKSOY
- Buğday muhafazasında silolardaki sıcaklık dağılımının modellenmesi
Modeling of temperature distribution stored wheat in bins
ERSİN VELİ VOLKAN
Doktora
Türkçe
2000
ZiraatAnkara ÜniversitesiTarım Makineleri Ana Bilim Dalı
PROF. DR. BAHA GALİP TUNALIGİL
- Makine öğrenimi ile güneş enerjisi santrali üretim tahmini
Solar power plant production forecast with machine learning
MUHAMMED HALEF
Yüksek Lisans
Türkçe
2022
EnerjiErciyes ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALTUK BUĞRA SELÇUKLU