Geri Dön

Short-term solar power forecasting with artificial neural network models

Yapay sinir ağları modelleri ile kısa süreli güneş enerjisi tahmini

PDF İndir

  1. Tez No: 863485
  2. Yazar: SEÇKİN GÖKÇE
  3. Danışmanlar: PROF. DR. ŞAHİN SERHAT ŞEKER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 140

Özet

Günümüzde en çok kullanılmakta olan tükenen enerji kaynaklarının yerini yakın gelecekte yenilenebilir enerji kaynaklarının alması hedeflenmektedir. Bu durum hem çevresel açıdan hem de ekonomik açıdan önemlidir. Bu kaynaklar arasında da en çok pay sahibi olması beklenen kaynak güneş enerjisi sistemleridir. Güneş enerjisi sistemleri halihazırda yüksek güçte kurulumlara sahip olup bu değerlerin hızla artması öngörülmektedir. Bu sistemlerden elde edilen enerjinin kaynağı Güneş olduğu ve bu kaynak da enerji üretiminde doğrudan kontrol edilemediği için tüm elektrik sistemine uyumu noktasında dikkat edilmesi gereken hususlar söz konusudur. Bu noktalarda yardımcı olabilecek önemli çalışmalardan bir tanesi de güneş enerjisi üretiminin tahminidir. Güneş enerjisi tahmini elektrik şebekesinin kararlılığının sağlanmasına ek olarak işletmede ve enerji ticaretinde bilgi sağlayarak ekonomik anlamda, karbon ayak izinin azlatılmasıyla da çevresel anlamda önemlidir. Ancak hava durumuna bağlılık ve doğruluk oranı gibi bazı zorluklara da sahiptir. Güneş enerjisi tahmin birçok farklı tekniklerle yapılmakta olup, bu tekniklerden en çok tercih edileni yapay zeka temelli modellerdir. Bu metotlar arasında da en çok tercih edilen ve verimlilik alınan modeller YSA modelleridir. Gerçekleştirilen bu çalışmada büyük ölçekli güneş enerjisi santralleri için kullanılabilecek, saatlik olacak şekilde bir gün sonrası için güneş enerjisi üretiminin tahmini yapılmasını hedefleyen bir çalışma gerçekleştirilmiştir. Araştırmada, 8,691 MWp DC kurulu güce sahip, Fransa'da bulunan Bourg kenti yakınındaki büyük ölçekli güneş enerjisi santralinin 1 Ocak 2018'den 30 Eylül 2023 tarihine kadar olan saatlik kapsamlı hava durumu verileri ve üretilen güç değerleri tahmin çalışması için temel alınmıştır. Bu hava durumu verileri, santralde bulunan 4 farklı tipte sensör, Piranometre, Güneş Işınım, Modül Sıcaklık ve Dış Ortam Sıcaklık sensörleri ile, santralin 4 farklı noktasından toplam 11 adet sensör ile toplanmıştır. Ayrıca santralin elektrik şebekesine ilettiği enerji miktarının kaydedildiği ölçüm sisteminden de üretilen güç değerleri alınmıştır. Bu tarihler arasındaki hava veri seti ve güç çıkış değerleri, üç farklı YSA modeli, Evrişimsel Sinir Ağları (CNN), Yinelemeli Sinir Ağları – Uzun Kısa Süreli Bellek (RNN-LSTM), ve hibrit model olan Evrişimsel Sinir Ağları ile Uzun Kısa Süreli Bellek (CNN-LSTM), kullanılarak günlük şebekeden iletilen enerji tahmini için analiz edilmiştir. Analizler için Python programlama dilinden faydalanılmıştır. Bu analizleri doğru bir şekilde yapabilmek için, santralin izleme sisteminden elde edilen ham veri seti işleme alınmış olup bu işlemde veri setindeki sensörlerin çeşitli nedenlerle eksik kalan değerlerine, sensörün çalışma mantığına ve zaman dilimine uygun değerler atanmıştır. Ayrıca, yine çeşitli bozulmalardan dolayı meydana gelebilecek anormallikler de düzeltilmiştir. İşlemler sırasında zaman serisi veri enterpolasyonu, K en yakın komşu imputasyonu gibi teknikler kullanılmıştır. Yapılan işlemler sonrasında günlük enerji tahmini yapabilmeye hazır hale getirilen veri seti ile çalışmada tahmin edilecek olan, AC Aktif Güç arasındaki korelasyon ilişkisi incelenmiştir. Buna göre en yüksek ilişkiye sahip olan sensör değerleri sırasıyla bulunmuş ve grafiksel olarak da incelenmiştir. Daha sonra bu işlem sayesinde veri seti, analizleri geliştirmek ve hesaplama yükünü azaltmak amacıyla sadeleştirilmiştir. Mevcut veri setinden hazırlanan ikinci verisette, aynı amaç için kullanılan sensörler gruplanarak hedef değer olan AC Aktif Güç ile korelasyon değerlerine bakılmıştır. Bu incelemeler sonucunda en yüksek korelasyona sahip olan sensörler bulunduğu grubun temsilcisi sensör olarak seçilmiştir ve ikinci veri seti bu şekilde elde edilmiştir. Çalışmayı farklı bir noktadan değerlendirmek ve doğruluk performansını artırmak adına bir sonraki işlemde ikinci veri seti üzerinden bir sadeleştirme gerçekleştirilmiştir. Bu işlemde, veri setindeki AC Aktif Güç değerleri incelendiğinde saatlik bazda değerlerin aralığının çok geniş spektrumda olduğu görüldüğünden belirlenen 100 kW'lik eşik değeri ile; 100 kW altında kalan AC Aktif Güç değerleri ve bunlara karşılık gelen sensör değerleri veri setinden çıkartılmıştır. Bu sayede tahmin çalışmasının yüksek güçlere odaklanması ve modellerin performansının artırılması amaçlanmıştır. Elde edilen üç veri seti ile ayrı ayrı tüm modeller çalıştırılmıştır. Modellerde aktivasyon fonksiyonu olarak Dikdörtgensel Doğrusal Birim (ReLU), optimizasyon algoritması olarak Adaptif Moment Tahmini (Adam), ve hiperparametre optimizasyonu olarak da Optuna yöntemi kullanılmıştır. Performans değerlendirme metrikleri olarak da modellerin farklı açılardan incelenmesi konusunda yardımcı olan Ortalama Yüzdesel Mutlak Hata (MAPE), Belirleme Katsayısı (R²), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) tercih edilmiştir. Modeller için öncelikle, veri setleri ilk olarak %70 eğitim, %10 doğrulama ve 20% test seti olarak bölünmüştür. Bölünen değerlere göre modellerin performansında son derece önemli olan hiperparametre optimizasyonu sürecinde Optuna yöntemi ile modellerin parametreleri bulunmuştur. Buradan elde edilen değerler ile modeller çalıştırılmıştır. Veri setinin bölünmesi de farklı değerlerle kontrol edilmiştir. Buna göre en iyi değerler %80 eğitim, %5 doğrulama ve %15 test seti varyasyonunda elde edilmiştir. Bu nedenden dolayı hiperparametre optimizasyonu süreci yeni veri seti bölünmesine göre her bir veri seti için ve model için tekrar edilmiştir. Elde edilen sonuçlar doğrultusunda modeller AC Aktif Güç değerinin kısa zamanlı tahmini için çalıştırılmıştır. Ayrıca modeller performanslarının gözlemlenebilmesi adına farklı epochs değerleri ile her bir veri seti için ayrı ayrı simüle edilmiştir. Modellerden elde edilen tahmin sonuçların gerçekleşen değerlerle kıyaslanabilmesi için, test setindeki her bir mevsimden birer gün seçilmiştir. Bu günler 01 Aralık 2022, 13 Şubat 2023, 04 Mayıs 2023 ve 14 Temmuz 2023 tarihleridir. Seçilen tarihler için elde edilen değerlerlendirme metrik sonuçları tablolarda gösterilmiştir. Ayrıca gerçekleşen ve tahmin edilen güç için elde edilen grafikleri paylaşılmıştır ve bu şekilde en başarılı performans gösteren modeller analiz edilmiştir. Tüm bunlara ek, genel model performanslarını anlamak adına tahmin edilen tüm test seti süreci için elde edilen modellerin performansları değerlendirme metrikleri karşılaştırılmıştır. En başarılı performansa sahip olan modellerin de grafikleri eklenmiştir. Gerçekleştirilen güneş enerjisi tahmin çalışmasında farklı YSA modellerinin farklı modellerle farklı hava durumu değerlerine sahip seçili günlerde ve tüm test seti periyodunda farklı epochs değerleri için nasıl performans sergiledikleri incelenmiştir. Sonuç olarak da bu çalışma, büyük ölçekli güneş enerjisi santralleri için güvenilir ve etkin güneş enerjisi üretim tahminleri yapabilme potansiyeline sahip yapay zeka temelli modellerin geliştirilmesine yönelik önemli bir adım olarak değerlendirilebilir. Elde edilen bulgular, bu tür modellerin gelecekteki enerji sistemlerinin entegrasyonu ve yönetiminde kritik bir rol oynayacağını göstermektedir. Bu bağlamda, modelin geliştirilmesi ve rafine edilmesi, güneş enerjisi tabanlı enerji sistemlerinin etkinliğinin ve sürdürülebilirliğinin artırılmasına katkılar sunacaktır.

Özet (Çeviri)

It is aimed to replace the depleted energy resources that are most used today with renewable energy resources in the near future. This situation is important both environmentally and economically. Among these resources, the resource that is expected to have the largest share is solar energy systems. Solar energy systems already have high power installations and these values are expected to increase rapidly. Since the source of the energy obtained from these systems is the Sun and this source cannot be controlled as desired, there are issues that need to be taken into consideration in terms of compatibility with the entire electrical system. One of the important studies that can help at these points is the estimation of solar energy production. Solar energy forecasting is done with many different techniques, the most preferred of which are artificial intelligence-based models. Among these methods, the most preferred and efficient models are ANN models. In this study, a study was conducted that aims to estimate solar energy production for the next day on an hourly basis, which can be used for large-scale solar power plants. In the research, hourly comprehensive weather data and generated power values of the large-scale solar power plant near the city of Bourg in France, with an installed power of 8,691 MWp DC, from January 1, 2018 to September 30, 2023, were taken as the basis for the prediction study. This weather data was collected with 4 different types of sensors in the power plant, Pyranometer, Solar Irradiance, Module Temperature and Outdoor Temperature sensors, with a total of 11 sensors from 4 different points of the power plant. In addition, the power values produced were taken from the measurement system, where the amount of energy transmitted by the power plant to the electricity network was recorded. This historical weather data set and power output values are based on three different ANN models, convolutional neural networks (CNN), recurrent neural networks – long short-term memory (RNN-LSTM), and a hybrid model, convolutional neural networks with long short-term memory (CNN-LSTM) was analyzed to estimate the daily energy delivered to the grid. Python programming language was used for analysis. In order to perform these analyzes correctly, the raw data set obtained from the monitoring system of the power plant was processed, and in this process, values appropriate to the operating logic of the sensor and the time period were assigned to the missing values of the sensors in the data set for various reasons. In addition, abnormalities that may occur due to various malfunctions have also been corrected. During the operations, techniques such as time series data interpolation and K nearest neighbor (K-NN) imputation were used. After the procedures, the data set ready for daily energy forecasting was examined. In these investigations, the relationships between the target value, the power output value, AC Active Power, and the air values measured by sensors were examined. Later, thanks to this process, the data set was simplified in order to improve analyzes and reduce the computational load. In the second dataset prepared from the existing dataset, sensors used for the same purpose were grouped and their correlations with the target value AC Active Power were examined. As a result of these examinations, the sensors with the highest correlation were selected as the sensors representative of the group in which they were located, and the second data set was obtained in this way. As the next step, a simplification was carried out on the second data set, again with the aim of increasing efficiency. When the AC Active Power values in the data set are examined, it is seen that the range of values on an hourly basis is in a very wide spectrum, with the threshold value of 100 kW determined; AC Active Power values below 100 kW and their corresponding sensor values have been removed from the data set. In this way, it is aimed to focus the prediction study on high powers and to increase the performance of the models. Three separate data sets prepared for the prediction study were analyzed one by one with three models. In these processes, unit values in each model's own layers were determined by hyperparameter optimization. Additionally, the division of the data set into training, validation and testing sections was tested with different values. As a result of the analyzes made with different education type values, results were obtained for special days selected from each season. Additionally, the results of the entire estimated period were examined in order to evaluate the general performance of the models. To evaluate the performance of the models, mean absolute percentage error (MAPE), coefficient of determination (R2), root mean square error (RMSE) and mean absolute error (MAE) evaluations were used.

Benzer Tezler

  1. Tez No

    706964

    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

  2. Tez No

    765700

    Güneş ve rüzgâr enerji santrallerinde üretim değerlerinin iklim parametrelerine bağlı olarak yapay zekâ yöntemleri ile tahmini ve güneş enerjisi fizibilite yazılımının geliştirilerek üretim tahmininin yapılması

    Estimation of production values in solar and wind power plants with artificial intelligence methods based on climate parameters and production estimation by developing solar energy feasibility software

    AYTEN GEÇMEZ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı

    DOÇ. DR. ÇETİN GENÇER

  3. Tez No

    652805

    Güneş ışınım şiddetinin akıllı hibrit yaklaşımlar ile tahmini

    Forecasting of solar radiation with intelligent hybrid approaches

    DİLAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    EnerjiBilecik Şeyh Edebali Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KURBAN

    DR. ÖĞR. ÜYESİ EMRAH DOKUR

  4. Tez No

    762139

    Makine öğrenimi tabanlı fotovoltaik çıkış gücü tahminlemesi

    Machine learning based photovoltaic output power forecasting

    BERRİN ERYILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiDicle Üniversitesi

    Yenilenebilir Enerji Kaynakları

    DOÇ. DR. FATİH KOÇYİĞİT

    DR. ÖĞR. ÜYESİ HEYBET KILIÇ

  5. Tez No

    389349

    Kısa süreli rüzgar tahmini için WRF model performansının analizi ve rüzgar gücü uygulamaları

    Analysis of wrf model performance for short-term wind prediction and wind power applications

    NİLCAN AKATAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEVİNÇ SIRDAŞ

Geri Dön