Geri Dön

Day ahead forecasting of photovoltaic power generation via machine learning models

Fotovoltaik güç üretiminin gün öncesinde makine öğrenimi modelleri aracılığıyla tahmini

  1. Tez No: 877231
  2. Yazar: AHMET TUĞRAALP BİTİREN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: 69

Özet

Güneş enerjisi santralleri için üretim tahmini elektrik perakende şirketlerinin sorumluluğundadır. Gerçek üretimden minimum sapmayla bir sonraki güne ait üretim planlarının sunulması kritik öneme sahiptir. Bu kapsamda bölgedeki 560 adet güneş enerjisi santralinin saatlik toplam üretimi, çeşitli makine öğrenmesi teknikleri kullanılarak minimum RMSE puanı hedeflenerek tahmin edilmiştir. Veri setinde yer alan hava durumu değişkenlerinin gün öncesi tahminlerinden oluşur. Modeller, hava tahmini hatalarını öğrenerek daha güçlü ve genelleştirilebilir bir çözüm sağlamayı amaçlamaktadır. Güneş geometrisi özelliklerinin ve hava durumu değişkenlerinin ayrıntılı analizi de dahil olmak üzere çeşitli özellik mühendisliği ve modelleme teknikleri kullanılmıştır. Literatürde yaygın olarak kullanılan regresyon modellerinin yanı sıra gradyan artırıcı modeller olan LightGBM, XGBoost ve CatBoost modellerinin performansları karşılaştırılmıştır. Ek olarak, yığın topluluğu modeli, veri seti üzerindeki bireysel modellerin tahminlerini girdi verileri olarak aldı. Gradyan artırma algoritmaları ve yığın topluluğu modeli önemli ölçüde farklı değildir, ancak yığın topluluğu modeli en düşük RMSE puanını vermiştir.

Özet (Çeviri)

Generation forecasting for solar power plants is responsibility of electricity retail companies. It is critical to submit production plans for the day ahead with a minimum deviation from the actual generation. In this context, the hourly total generation of 560 solar power plants in the region was estimated by aiming for the minimum RMSE score using various machine learning techniques. It consists of day-ahead forecasts of the weather variables in the data set. By learning weather forecast errors, the models aim to provide a more powerful and generalizable solution. Various feature engineering and modelling techniques have been used, including a detailed analysis of solar geometry features and weather variables. The performances of LightGBM, XGBoost, and CatBoost models, which are gradient-boosting models, were compared in addition to the regression models commonly used in the literature. Additionally, the stack ensemble model got the predictions of individual models on the data set as input data. The gradient boosting algorithms and the stack ensemble model do not significantly differ, yet the stack ensemble model yielded the lowest RMSE score.

Benzer Tezler

  1. YSA tabanlı gün öncesi saatlik güneş ışınım kestirimi

    A day ahead hourly solar irradiation forecasting with ANN

    SİBEL ÇEVİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI ALTAŞ

  2. Mikro şebekelerde yeniden yapılandırma problemine üretim ve tüketim tahmini destekli yeni bir algoritmik yaklaşım

    A novel algorithmic approach for reconfiguration problem in microgrids considering generation and consumption forecasts

    FATMA YAPRAKDAL

    Doktora

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BAYSAL

  3. İstatistik ve yapay zeka teknikleri ile enerji tüketiminin tahmini: Sakarya doğal gaz tüketiminin uygulaması

    Demand forecasting of energy consumption with statistical and artificial intelligent techniques: Sakarya natural gas consumption application

    MUSTAFA AKPINAR

    Doktora

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. NEJAT YUMUŞAK

  4. Electricity price forecasting using hybrid time series models

    Hibrit zaman serisi modelleriyle elektrik fiyat tahmini

    BÜŞRA TAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. CEYLAN YOZGATLIGİL

  5. Assessment of seasonal effects on city based daily electricity load forecasting using linear regression

    Lineer regresyon ile şehir bazlı günlük elektrik yük tahmininde mevsim etkilerinin kaldırılması

    SHANGA OTHMAN KAREEM KAREEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA AKPINAR