Geri Dön

Zaman serisi analiz yöntemleri ve yapay sinir ağları algoritmalarını kullanarak güneş enerjisi santrallerinde üretilen gücün tahminlenmesi

Predicting power generation in solar power plants using time series analysis methods and artificial neural network algorithms

  1. Tez No: 892099
  2. Yazar: EMRAH İDMAN
  3. Danışmanlar: PROF. DR. OSMAN YILDIRIM
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Arel Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 122

Özet

Bu tez çalışmasında, güneş enerjisi santrallerinde enerji üretimini tahmin etmek amacıyla çeşitli zaman serisi modelleme teknikleri ve yapay sinir ağları kullanılmıştır. Çalışmanın temel amacı, farklı modelleme yöntemlerinin doğruluklarını karşılaştırarak, güneş enerjisi üretimini en iyi şekilde tahmin edebilecek modeli belirlemektir. Bu kapsamda, AR, ARIMA, SARIMA, Basit Üstel Yumuşatma (SES), Çift Üstel Yumuşatma (DES), Üçlü Üstel Yumuşatma (TES) ve Tekrarlayan Sinir Ağları (RNN, LSTM) modelleri uygulanmıştır. 2013-2023 yılları arasındaki güneş enerjisi üretim verileri kullanılarak yapılan analizlerde, model performansları Root Mean Square Error (RMSE) metriği ile değerlendirilmiştir. En düşük RMSE değeri ile en başarılı sonuçlar, TES (RMSE: 2,4595 MWh) ve RNN(LSTM) (RMSE: 2,8122 MWh) modelleri ile elde edilmiştir. Bu sonuçlar, TES ve RNN modellerinin, zaman serisi verilerindeki karmaşık desenleri yakalama konusundaki üstünlüğünü göstermektedir. SARIMA modeli de başarılı sonuçlar sunmuş olup (RMSE: 2,9348 MWh), mevsimsel ve trend bileşenlerini dikkate alarak enerji üretim tahmininde önemli bir model olarak öne çıkmıştır. Sezonsallığın dikkate alınmadığı üstel yumuşatma modelleri arasında en iyi performansı DES modeli göstermiştir (RMSE: 4,8382 MWh), ancak genel olarak bu model, güneş enerjisi üretimindeki karmaşık desenleri yeterince iyi yakalayamamıştır. AR ve ARIMA modelleri de incelenmiş olup, ARIMA modeli (RMSE: 3,15 MWh), trend etkilerini dikkate alarak verinin durağanlaştırılmasında etkili bir model olmuştur. Bu çalışmada elde edilen bulgular, güneş enerjisi üretim tahmininde TES modelinin en doğru tahminleri sağladığını göstermektedir.

Özet (Çeviri)

In this thesis, various time series modeling techniques and artificial neural networks are used to predict energy production in solar power plants. The main objective of the study is to compare the accuracy of different modeling methods and to determine the model that can best predict solar power generation. In this context, AR, ARIMA, SARIMA, Simple Exponential Smoothing (SES), Double Exponential Smoothing (DES), Triple Exponential Smoothing (TES) and Recurrent Neural Networks (RNN, LSTM) models were applied. In the analyses performed using solar energy production data between 2013-2023, model performances were evaluated with the Root Mean Square Error (RMSE) metric. The most successful results with the lowest RMSE value were obtained with TES (RMSE: 2.4595 MWh) and RNN (LSTM) (RMSE: 2.8122 MWh) models. These results show the superiority of TES and RNN models in capturing complex patterns in time series data. The SARIMA model also presented successful results (RMSE: 2.9348 MWh) and stood out as an important model in power generation forecasting by considering seasonal and trend components. Among the exponential smoothing models without considering seasonality, the DES model showed the best performance (RMSE: 4.8382 MWh), but in general this model did not capture the complex patterns in solar power generation well enough. AR and ARIMA models were also analyzed, and the ARIMA model (RMSE: 3.15 MWh) was an effective model for stationarizing the data by taking into account trend effects. The findings obtained in this study show that the TES model provides the most accurate forecasts in solar energy production forecasting.

Benzer Tezler

  1. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  2. Hisse senedi fiyatlarının makine öğrenmesi kullanılarak tahmin edilmesi

    Predicting stock prices using machine learning

    AHMET YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. ALİ GÜNEŞ

  3. Real-time crash risk analysis using deep learning

    Derin öğrenmeyle gerçek zamanlı kaza risk analizi

    SAEID MORADI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OSMAN ATAHAN

  4. A comparative study for football analytics with data mining and artificial intelligence techniques

    Veri madenciliği ve yapay zeka teknikleri ile karşılaştırmalı futbol analitiği

    MUSTAFA AADEL MASHJAL AL-ASADI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAKİR TAŞDEMİR

  5. Application of hybrid simulation and improvement of decision tree algorithms for real-time transient stability prediction based on PMU measurements

    PMU ölçümlerine dayalı gerçek zamanda geçici hal kararlılığı kestirimi için hibrit simülasyon uygulaması ve karar ağacı algoritmalarının geliştirilmesi

    TOHID BEHDADNIA

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ