Geri Dön

Makine öğrenimi teknikleri ile güneş ışınımı ve güç kestirimi

Prediction of solar radiation and power using machine learning techniques

  1. Tez No: 833606
  2. Yazar: CAN YUNUS ERÖZDEN
  3. Danışmanlar: PROF. DR. SELMA GÜRLER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, İstatistik, Computer Engineering and Computer Science and Control, Energy, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMOUD HK. ALDABABSA

  2. 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

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  3. 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

    Türkçe

    2024

    CoğrafyaAkdeniz Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDÜLKADİR KOÇER

    DR. ERCÜMENT AKSOY

  4. Buğday muhafazasında silolardaki sıcaklık dağılımının modellenmesi

    Modeling of temperature distribution stored wheat in bins

    ERSİN VELİ VOLKAN

    Doktora

    Türkçe

    Türkçe

    2000

    ZiraatAnkara Üniversitesi

    Tarım Makineleri Ana Bilim Dalı

    PROF. DR. BAHA GALİP TUNALIGİL

  5. Makine öğrenimi ile güneş enerjisi santrali üretim tahmini

    Solar power plant production forecast with machine learning

    MUHAMMED HALEF

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiErciyes Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SALTUK BUĞRA SELÇUKLU