Prediction of solar energy control system based on machine learning method
Güneş enerjisi kontrol sisteminin makine öğrenme yöntemine göre tahmin edilmesi
- Tez No: 883971
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Doğru güneş enerjisi üretimi tahmini, enerji yönetimini optimize etmek ve yenilenebilir enerji kaynaklarına geçişi teşvik etmek için kritik öneme sahiptir. Bu araştırmada, güneş enerjisi üretimini tahmin etmek amacıyla çeşitli makine öğrenimi modellerini eğitmek için güneş enerjisi santrallerinden gerçek dünya veri kümelerini kullanıyoruz. Veritabanları arasında güneş enerjisi üreten veriler, hava durumu sensörü verileri ve yardımcı bilgiler yer almaktadır. Doğrusal Regresyon (LR), Rastgele Orman (RF), Karar Ağacı (DT), Gradient Boosting Regressor (GBR), AdaBoost Regressor (ADBR) ve K-Nearest gibi makine öğrenme yöntemlerini kullanarak çeşitli zaman aralıklarında güneş enerjisi üretimini öngörüyoruz. Komşular (KNN). Yaklaşımımız, bu modellerin geçmiş veriler üzerinde eğitilmesini ve performanslarının test veri kümeleri üzerinde değerlendirilmesini gerektirir. Bu çalışmanın bulguları, makine öğrenimi modellerinin umut verici tahmin becerilerine sahip olduğunu göstermektedir. Eğitim ve test veri kümelerinin R-kare (R2) değerleri, güneş enerjisi üretimindeki değişimi açıklamak için iyi bir kapasite göstermektedir. Örneğin DT modeli, eğitim veri kümeleri için %100 ve veri kümelerini test etmek için %99,999'luk kusursuz bir R2 puanı elde etti. GBR modeli, hem eğitim hem de test için %99,997'lik R2 değerleriyle ikinci sırada yer aldı. Ayrıca, GBR modeli için Ortalama Karekök Hata (RMSE) değerleri, KNN modeli için 1,87 ile 109,53 arasında değişiyordu ve bu da tahmin doğruluğunun değişen derecelerini gösteriyordu. Önceki araştırma araştırmalarıyla karşılaştırıldığında, önerilen makine öğrenimi modellerimiz düzenli olarak üstün tahmin doğruluğu göstermektedir; önceki çalışmalardaki en iyi puan olan %94,50'ye kıyasla R2 puanları %99,99 veya daha yükseğe ulaşmaktadır. Bu çalışma yalnızca makine öğrenimini kullanarak güneş enerjisi tahminini geliştirmekle kalmıyor, aynı zamanda bu modellerin enerji yönetimi sistemlerini optimize etme potansiyelini de vurguluyor.
Özet (Çeviri)
Accurate solar energy generation prediction is critical for optimizing energy management and promoting the shift to renewable energy sources. In this research, we use real-world datasets from solar power plants to train several machine learning models to predict solar energy generation. Solar power generating data, weather sensor data, and auxiliary information are among the databases. We anticipate solar energy generation for various time intervals using machine learning methods such as Linear Regression (LR), Random Forest (RF), Decision Tree (DT), Gradient Boosting Regressor (GBR), AdaBoost Regressor (ADBR), and K-Nearest Neighbours (KNN). Our approach entails training these models on historical data and assessing their performance on test datasets. The findings of this study suggest that machine learning models have promising prediction skills. The R-squared (R2) values for the training and testing datasets demonstrate a good capacity to explain variation in solar energy generation. The DT model, for example, achieved a flawless R2 score of 100% for training datasets and 99.999% for testing datasets. The GBR model came in second, with R2 values of 99.997% for both training and testing. Furthermore, the Root Mean Squared Error (RMSE) values for the GBR model ranged from 1.87 to 109.53 for the KNN model, demonstrating varying degrees of prediction accuracy. In comparison to previous research investigations, our suggested machine learning models regularly show superior prediction accuracy, with R2 scores reaching 99.99% or higher, compared to the best score of 94.50% in previous studies. This study not only advances solar energy prediction using machine learning, but it also highlights the potential of these models in optimizing energy management systems.
Benzer Tezler
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Güç sistemlerinde yenilenebilir enerjiye dayalı rezerv optimizasyonu
Reserve optimization based on renewable energy in power systems
SERDAL ATİÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN İZGİ
DOÇ. DR. MEHMET RIDA TÜR
- Solar energy power prediction system baseb on machine learning approaches
Makine öğrenme yaklaşımlarına dayalı güneş enerjisi gücü tahmin sistemi
MOHAMMED HIKMAT MUMTAZ AL-BAZI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. SEFER KURNAZ
- Fotovoltaik enerji sistemleri için öngörü modellerinin geliştirilmesi: Veri madenciliği ve derin öğrenme yaklaşımları
Development of forecasting models for photovoltaic energy systems: Data mining and deep learning approaches
FATMA DİDEM ALAY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TAHİR GÜLLÜOĞLU
DR. ÖĞR. ÜYESİ NAGEHAN İLHAN
- Türkiye genelinde Bahel modeli ve yapay sinir ağları ile güneş radyasyonu tahmini
Solar radiation estimation for Turkey using Bahel model and artificial neural networks
ELVAN BURCU KOŞMA
Yüksek Lisans
Türkçe
2018
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU