Geri Dön

Fotovoltaik sistemlerde makine öğrenmesi ile enerji üretim tahmini

Energy production prediction with machine learning in photovoltaic systems

  1. Tez No: 883235
  2. Yazar: ONUR AKTAŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MURAT OLCAY ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kırklareli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Güneş ve rüzgâr gibi yenilenebilir kaynaklara ilgi ve yapılan yatırımlar her geçen gün artsa da bu tesislerin dağıtım şebekelerine sürekli enerji sağlayamama gibi bir dezavantajı bulunmaktadır. Bunun yanında tüketim kısmında da yaşanabilecek belirsizlikler, enerji arz-talep dengesizliğine sebep olabilmektedir. Bu durum tahmin çalışmalarını ön plana çıkarmaktadır. Bu tez çalışmasında iki farklı veri seti oluşturulmuş, makine öğrenimi yöntemleri ile enerji üretim tahmini yapılmıştır. İlk veri seti için model bir güneş enerji üretim tesisi kurularak, nesnelerin interneti teknolojisi (NİT) ile tesisin atmosferik verileri ve anlık akım değerleri on bir ay boyunca toplanmıştır. İkinci veri seti dünya genelinde hava tahminleri ve atmosferik veriler sunan bir web sitesinden elde edilmiştir. Elde edilen verilerden beş farklı veri kümesi oluşturularak eğitime sokulmuş, Doğrusal Regresyon, Rastgele Orman (RF), XGBoost ve LSTM makine öğrenme algoritmaları kullanılarak enerji üretim tahmini yapılmıştır. Tahmin performansını değerlendirmek için R2, RMSE ve MAE performans metrikleri kullanılmıştır. En iyi tahmin sonucu NİT veri seti ile yapılan eğitimde elde edilmiş, R2 metrik değerlendirmesinden RF algoritması 0.9298, XGBoost algoritması 0.9303 sonuçlarını almıştır. İkinci veri seti ile yapılan eğitimde ise R2 metrik değerlendirmesinden RF Algoritması 0,8869, XGBoost algoritması ise 0,8904 sonuçlarını almıştır. Bu sonuçlar, makine öğrenimi algoritmalarının enerji üretim tahmininde yüksek doğrulukla çalışabildiğini ve hem yerel atmosferik veriler hem de anlık akım verileri ile küresel hava tahmin verileri kullanılarak güvenilir tahminler elde edilebileceğini göstermektedir.

Özet (Çeviri)

Although interest and investments in renewable resources such as solar and wind are increasing day by day, these facilities have the disadvantage of not being able to provide continuous energy to distribution networks. In addition, uncertainties on the consumption side can cause energy supply-demand imbalances. This situation brings forecasting studies to the fore. In this thesis study, energy production prediction was made with machine learning using two different data sets. For the first data set, a sample solar power generation plant was established and atmospheric data and instantaneous current values of the plant were collected online for eleven months using the Internet of Things Technology. The second dataset was obtained from a website that provides weather forecasts and atmospheric data worldwide. Five different datasets were created from the obtained data and trained, and energy production prediction was made using Linear Regression, Random Forest, XGBoost and LSTM machine learning algorithms. R2, RMSE and MAE performance metrics were used to evaluate the prediction performance. The best prediction result was obtained in the training with NIT dataset, RFR algorithm obtained 0.9298 and XGBoost algorithm obtained 0.9303 results from R2 metric evaluation. In the training with the second dataset, RF algorithm obtained 0.8869 and XGBoost algorithm obtained 0.8904 results from the R2 metric evaluation. These results show that machine learning algorithms can work with high accuracy in energy production forecasting and reliable forecasts can be obtained using both local atmospheric data, instantaneous current data and global weather forecast data.

Benzer Tezler

  1. Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm

    Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması

    BOĞAÇ OĞUZ TOĞAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. COŞKUN FIRAT

  2. Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması

    Comparison of solar panel energy production forecast with machine learning methods

    HAVVA AYYILDIZ KOÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya Üniversitesi

    Yenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAVUZ ÜNAL

  3. Makine öğrenimi ile güneş enerjisi santrali üretim tahmini

    Solar power plant production forecast with machine learning

    MUHAMMED HALEF

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiErciyes Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SALTUK BUĞRA SELÇUKLU

  4. Predicting the bandgap of hole-transport materials by deep learning

    Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini

    MİRAÇ AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. ADEM TEKİN

  5. An optimal energy management system for sustainable city based on renewable energy sources

    Sürdürülebilir şehir için yenilenebilir enerji kaynaklarına dayalı en uygun enerji yönetim sistemi

    MOHAMED ALI H. ELWEDDAD

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET TAHİR GÜNEŞER