Güneş enerjisi santralleri için hava tahmin servis verilerini kullanarak makine öğrenmesi destekli web tabanlı üretim tahmini
Machine learning supported web-based production forecasting using weather forecast service data for solar power plants
- Tez No: 934103
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, Computer Engineering and Computer Science and Control, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 50
Özet
Dünya nüfusu ve teknolojik gelişmelerin sürekli artmasıyla birlikte, enerji talebi tüm dünyada giderek daha fazla hissedilmektedir. Fosil yakıtların çevresel etkilerini azaltmak amacıyla sürdürülebilir enerji kaynakları arasında yer alan güneş enerjisi, küresel enerji dönüşümünde kritik bir öneme sahiptir. Enerji üretim tahminleri, arz- talep dengesi, şebeke stabilitesi ve maliyet optimizasyonu açısından hayati bir rol oynamaktadır. Ayrıca, doğru ve güvenilir üretim tahminleri, yenilenebilir enerji kaynaklarının entegrasyonunu kolaylaştırmak ve enerji sistemlerinin verimliliğini artırmak için gereklidir. Bu çalışmada, Denizli ilindeki bir güneş enerji santraline ait iki yıllık üretim verileri ve Solcast API servisinden elde edilen hava durumu verileri kullanılmıştır. XGBoost, Extra Trees, k-Nearest Neighbor, Gradient Boosting, Random Forest ve Linear Regression gibi makine öğrenmesi algoritmalarının performansı değerlendirilmiştir. Elde edilen sonuçlar, Extra Trees modelinin bir günlük tahminlerde Ortalama Kare Hata değeri 24.290, Kök Ortalama Kare Hata değeri 4.928, Ortalama Mutlak Hata değeri 3.123 ve R² skoru 0.993 ile en iyi performansı gösterdiğini ortaya koymaktadır. Beş günlük ve bir haftalık tahminlerde ise Extra Trees ve Random Forest modelleri benzer performans sergileyerek diğer algoritmalardan daha başarılı sonuçlar üretmiştir. Bu çalışma, güneş enerjisi üretiminin daha güvenilir bir şekilde tahmin edilmesine katkıda bulunarak yenilenebilir enerji kaynaklarının entegrasyonunu kolaylaştırmakta ve enerji yönetim sistemlerinin optimizasyonu için önemli bir potansiyel sunmaktadır.
Özet (Çeviri)
As the global population continues to grow and technological advancements progress, energy demand is becoming increasingly noticeable worldwide. Solar energy, which is among the sustainable energy sources to reduce the environmental impact of fossil fuels, has a critical role in the global energy transition. Energy generation forecasts play a vital role in supply-demand balance, grid stability and cost optimization. Moreover, accurate and reliable generation forecasts are essential to facilitate the integration of renewable energy sources and improve the efficiency of energy systems. In this study, two years of production data from a solar power plant in Denizli province and weather data obtained from Solcast API service are used. The performance of machine learning algorithms such as XGBoost, Extra Trees, k-Nearest Neighbors, Gradient Boosting, Random Forest and Linear Regression are evaluated. According to the results obtained, the Extra Trees model demonstrated the best performance in one- day predictions with a Mean Square Error value of 24.290, Root Mean Square Error value of 4.928, Mean Absolute Error value of 3.123, and an R² score of 0.993. For five-day and one-week predictions, Extra Trees and Random Forest models showed similar performance, producing more successful results than other algorithms. This study contributes to a more reliable estimation of solar power generation, facilitating the integration of renewable energy sources and offering significant potential for the optimization of energy management systems.
Benzer Tezler
- Day ahead forecasting of photovoltaic power generation via machine learning models
Fotovoltaik güç üretiminin gün öncesinde makine öğrenimi modelleri aracılığıyla tahmini
AHMET TUĞRAALP BİTİREN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN
- Yüzer güneş enerjisi santrallerinin (YGES) konuşlandırılmasında bulanık örtüştürmeye dayalı bir optimizasyon metodolojisi: YGES elverişli rezervuar yüzeyi
An optimization methodology to deployment of floating photovoltaics (FPV) based on fuzzy overlay: FPV convenient reservoir surface
MEHMET SEREN KORKMAZ
Doktora
Türkçe
2023
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET DURAN ŞAHİN
- Short-term solar power forecasting with artificial neural network models
Yapay sinir ağları modelleri ile kısa süreli güneş enerjisi tahmini
SEÇKİN GÖKÇE
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ
- Hava durumunun enerji tedariki üzerindeki etkisi: Kahramanmaraş Adıyaman bölgesindeki güneş enerjisi santrallerinin incelenmesi örneği
The impact of weather on energy supply - Examination of solar power plants in Kahramanmaraş and Adıyaman region
NİDA ÖZDOĞAN
Yüksek Lisans
Türkçe
2021
EkonometriKahramanmaraş Sütçü İmam ÜniversitesiUluslararası Ticaret ve Lojistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ARİF SELİM EREN