Day ahead forecasting of photovoltaic power generation via machine learning models
Fotovoltaik güç üretiminin gün öncesinde makine öğrenimi modelleri aracılığıyla tahmini
- Tez No: 877231
- Danışmanlar: DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- YSA tabanlı gün öncesi saatlik güneş ışınım kestirimi
A day ahead hourly solar irradiation forecasting with ANN
SİBEL ÇEVİK
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI ALTAŞ
- Ultra-kısa dönem fotovoltaik güç tahmininde istatistiksel ve makine öğrenmesi tabanlı yöntemlerin karşılaştırılması
Comparison of statistical and machine learning-basedmethods for ultra-short-term photovoltaicpower forecasting
ÖMER FARUK KIRIK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN HÜSEYİN ÇEVİK
- 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
2020
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BAYSAL
- Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus
Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini
MARYA ALHAJMOHAMMADOTHMAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
DR. ÖĞR. ÜYESİ DENİZ BALTA
- A comparatıve analysıs of LSTM and XGBoost methods for day ahead electrıcıty prıce forecastıng
Gün öncesi elektrik fiyatı öngörüsü için LSTM ve XGBoost yöntemlerinin karşılaştırmalı analizi
CAHİT URAL KÜKNER
Yüksek Lisans
İngilizce
2020
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. AHMET DURMAYAZ