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
- Tez No: 892099
- Danışmanlar: PROF. DR. OSMAN YILDIRIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Arel Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- 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
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Hisse senedi fiyatlarının makine öğrenmesi kullanılarak tahmin edilmesi
Predicting stock prices using machine learning
AHMET YILDIRIM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. ALİ GÜNEŞ
- Real-time crash risk analysis using deep learning
Derin öğrenmeyle gerçek zamanlı kaza risk analizi
SAEID MORADI
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- 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
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ