Geri Dön

Hydroelectric power forecasting via tree-based machine learning algorithms

Ağaç tabanlı makine öğrenmesi algoritmalarıyla hidroelektrik güç tahmini

  1. Tez No: 872624
  2. Yazar: BEKTAŞ AYKUT ATALAY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ KASIM ZOR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

Hidroelektrik enerji, en eski ve temel yenilenebilir enerji kaynağıdır. Türkiye'de hızlı ekonomik ve nüfus artışı nedeniyle enerji talebi sürekli artmaktadır ve bu durum hidroelektrik enerjiyi Türkiye'nin enerji kaynakları için kritik hale getirmektedir. Hidroelektrik santral planlaması ve uygulaması, devlet ve enerji işletmeleri için büyük önem taşımaktadır. Hidroelektrik enerji, mevsimsel bağımlılığı nedeniyle tahmin algoritmaları için uygundur. Hidroelektrik enerjinin doğru tahmin edilmesi, karbon emisyonlarının azaltılması, üretim verimliliği ve çevresel sürdürülebilirlik sağlar. Bu tez, kapasitesi 100 MW'ın üzerindeki faal bir hidroelektrik güç santralinin güç üretimini tahmin etmek için ağaç tabanlı makine öğrenmesi algoritmalarından faydalanarak model geliştirmeyi, incelemeyi ve uygulamayı amaçlamaktadır. Bu amaçla, üretim verileri, tarih-saat kayıtları, geçmiş güç üretimi ve sıcaklık ölçümleri kullanılmıştır. Tez kapsamında, EÜAŞ Aslantaş HES seçilmiştir. Güç üretim verileri, EXIST Şeffaflık Platformu'ndan alınmıştır. Veriler, Python kullanılarak işlenmiş, kodlanmış ve tahmin edilmiştir. Rastgele orman ve gradyan artırımlı karar ağaçları algoritmalarının uyumluluğu ve etkinliği incelenmiştir. En uygun algoritma, kapsamlı testlerle performansa bağlı olarak belirlenmiştir. Bu sistematik yaklaşım, hidroelektrik güç üretim tahmini için en uygun algoritmayı belirleyecektir. Analizler, rastgele orman ve gradyan artırımlı karar ağaçları modellerinin hidroelektrik üretimi tahmin etmede etkili olduğunu göstermiştir. Ancak, rastgele orman modeli daha üstün performans sergilemiştir.

Özet (Çeviri)

Hydroelectric power is the oldest and essential renewable energy source. Because energy demand constantly increases due to rapid economic and population growth in Türkiye, hydroelectric energy is crucial to Türkiye's energy resources. Hydroelectric plant planning and execution are pivotal for the state and energy enterprises. Hydroelectric power is proper for forecasting algorithms because of its seasonal dependency. Accurate forecasts of hydroelectric power provide carbon emission reduction, generation yields, and environmental sustainability. This thesis aims to develop, examine, and implement tree-based machine learning algorithms for forecasting power generation in an operational hydroelectric power plant with a capacity over 100 MW using generation data, date-time records, historical power generation, and temperature measurements. EÜAŞ Aslantaş HPP was selected to apply this thesis. The power generation data was fetched from the EXIST Transparency Platform. The data was processed, coded, and predicted using Python. Random forest (RF) and gradient boosted decision trees (GBDT) were examined for their compatibility and effectiveness. The most suitable algorithm was identified based on its performance through rigorous testing; this systematic approach will determine the optimal algorithm for hydroelectric power generation prediction. The analysis demonstrated that RF and GBDT models effectively forecasted hydroelectric power production. However, the Random Forest model showed slightly superior performance.

Benzer Tezler

  1. Elektrik enerjisi piyasaları ve çimento sektöründe elektrik enerjisi tüketim tahmininin önemi

    Electricity markets and the importance of electricity consumption forecasting in cement sector

    EZGİ KAYAHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. SERMİN ONAYGİL

  2. Akım ölçümü yapılmayan derelerde debi süreklilik çizgisinin belirlenmesi

    Estimation of flow duration curves in non-existing creek flow discharge

    OSMAN SÖNMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    İnşaat MühendisliğiSakarya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. LÜTFİ SALTABAŞ

  3. Küçük ve orta kapasiteli hidroelektrik santrallerde gün içi ve gün öncesi üretim tahmini için matematiksel modelin oluşturulması

    Establishment of mathemati̇cal models for short-term energy producti̇on forecasti̇ng i̇n hydroelectri̇c power plants

    MUSTAFA İRİŞİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    EnerjiDüzce Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ ÖZTÜRK

  4. Hidroelektrik enerji santrallerinde üretilen enerjinin kısa ve uzun süreli olarak tahmin edilmesi ve taşkın riskinin araştırılması: Doğançay Hidroelektrik Enerji Santralleri örneği

    Estimation of energy produced in hydroelectri̇c power plants as short and long term and investigation of flood risk: case study of Dogancay Hydroelectric Power Plants

    AHMET IYAD CEYHUNLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İnşaat MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKMEN ÇERİBAŞI

  5. Sakarya havzasındaki hidroelektrik enerji santrallerinin enerji potansiyellerinin yapay sinir ağları yönetimi ile ileriye dönük araştırılması

    Prospective investigation of energy potential of hydroelectric power plants in Sakarya basin by artificial neural networks

    MUHAMMED ÇALIŞKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İnşaat MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKMEN ÇERİBAŞI