Geri Dön

Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik veriler kullanılarak tahmin analizi

Prediction of renewable solar energy production from meteorological data using machine learning methods

PDF İndir

  1. Tez No: 838591
  2. Yazar: NACİYE MACİT SEZİKLİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÜMİT ALKAN, PROF. DR. METİN ZONTUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Energy, Mechatronics Engineering
  6. Anahtar Kelimeler: Solar Energy, Solar Power Plant, Machine Learning, Machine Learning Algorithms, Meteorology, Python, Random Forest Algorithm, Decision Trees Algorithm, Multiple Linear Regression, K-Nearest Neighbors, Ridge Regression, Lasso Regression, Linear Regression
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Gelişim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 91

Özet

Güneş enerji santralleri, temiz ve sürdürülebilir enerji taleplerini karşılama konusunda önemli bir rol oynar. Ancak değişken hava koşulları, mevsimsel etkiler ve benzeri faktörler, fazla üretilen enerjinin depolanması veya eksik enerjiden kaynaklanan maliyetlerle sonuçlanabilir. Bu durumlar, güneş enerjisi üretiminde verimsizliklere yol açabilir. Güneş enerjisi verilerinin meteoroloji verileri ile birleştirilmesi, makine öğrenmesi teknikleriyle güneş enerjisi üretimini tahmin etmek, sistem verimliliğini artırmak ve daha sürdürülebilir enerji stratejileri geliştirmek için önemli bir kaynak sunar. Bu çalışmanın temel amacı, enerji sektöründe verimliliği artırmak ve enerji üretimini optimize etmek için güneş enerji panellerinden elde edilen enerji ile meteorolojik verileri kullanarak makine öğrenmesi yöntemleriyle, Rastgele Orman, Karar Ağaçları, K-En Yakın Komşu, Çoklu Doğrusal Regresyon, Ridge Regresyon, Lasso Regresyon, Doğrusal Regresyon, tahminler yapmaktır. Ayrıca, kullanılan makine öğrenmesi yöntemlerinin sonuçlarını değerlendirmek için R2, MSE, RMSE, MAE hata performans analizleri kullanılmıştır. Bu çalışma, mevcut modellerin elde ettiği sonuçları değerlendirerek başarılarını karşılaştırmayı amaçlamaktadır. Rastgele Orman Algoritması, en yüksek R2 puanı olan 0.968420, en düşük MSE değeri olan 0.000764 ve en düşük MAE değeri olan 0.012567 ulaşarak en başarılı algoritma olarak öne çıkmaktadır. İkinci sırada ise Karar Ağaçları algoritması gelmektedir. Diğer algoritmalar başarısı sırasına göre şu şekildedir; Çoklu Doğrusal Regresyon, K-En Yakın Komşu, Ridge Regresyon, Lasso Regresyon ve Doğrusal Regresyon. Bu sonuçlar, çalışmanın temel bulgularını yansıtmaktadır.

Özet (Çeviri)

Solar energy power plants play a significant role in meeting the demand for clean and sustainable energy. However, variable weather conditions, seasonal effects, and similar factors can result in the need for energy overproduction to be stored or lead to costs associated with energy deficiency. These situations can result in inefficiencies in solar energy production. The integration of solar energy data with meteorological data, using machine learning techniques, provides a valuable resource for predicting solar energy production, enhancing system efficiency, and developing more sustainable energy strategies. The primary objective of this study is to enhance efficiency in the energy sector and optimize energy production by using machine learning techniques, including Random Forest, Decision Trees, K-Nearest Neighbors, Multiple Linear Regression, Ridge Regression, Lasso Regression, and Linear Regression, with energy generated from solar panels and meteorological data. Additionally, error performance analyses, such as R-squared, Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error, have been employed to assess the outcomes of the applied machine learning methods. This study aims to assess the results achieved by existing models and compare their successes. According to the research findings, the Random Forest Algorithm stands out as the most successful algorithm, achieving the highest R-squared score of 0.968420, the lowest Mean Squared Error value of 0.000764, and the lowest Mean Absolute Error value of 0.012567. The Decision Trees algorithm ranks second in performance. The other algorithms, in order of success, are Multiple Linear Regression, K-Nearest Neighbors, Ridge Regression, Lasso Regression, and Linear Regression. These results accurately reflect the fundamental findings of the study.

Benzer Tezler

  1. Tez No

    856283

    Türkiye linyit kömürleri için yer altında kömür gazlaştırmasının deneysel ve sayısal olarak incelenmesi

    Experimental and numerical investigation of underground coal gasification for Turkish lignite

    OĞUZ BÜYÜKŞİRİN

    Doktora

    Türkçe

    Türkçe

    2023

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. MESUT GÜR

  2. Tez No

    766268

    Fotovoltaik hücrelerin verimlerinin karşılaştırılması ve Türkiye'de farklı illere göre makine öğrenme yöntemiyle güneş ışınımı modellerinin geliştirilmesi

    Comparison of photovoltaic cell efficiency and development of solar radiation models using machine learning for different provinces in Turkey

    EMRE BATUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiOsmaniye Korkut Ata Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF ALPER KAPLAN

  3. Tez No

    883971

    Prediction of solar energy control system based on machine learning method

    Güneş enerjisi kontrol sisteminin makine öğrenme yöntemine göre tahmin edilmesi

    HASANAIN ALAA MOHAMMED ALMINSHID

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEFER KURNAZ

  4. Tez No

    717755

    Yapay sinir ağları ve makine öğrenmesi ile güneş ışınımının analizi: Bursa ve Çanakkale örneği

    Analysis of solar radiation with artificial neural networks and machine learning: Example of Bursa and Çanakkale

    EBRU KORKMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EkonometriBandırma Onyedi Eylül Üniversitesi

    Ekonometri Ana Bilim Dalı

    DOÇ. DR. NECLA TEKTAŞ

  5. Tez No

    675605

    YEKDEM unit price prediction with artificial neural networks

    Yapay sinir ağları ile YEKDEM birim fiyat tahminlemesi

    AKIN ERTAYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ

Geri Dön