Geri Dön

Makine öğrenimi teknikleri kullanarak güneş radyasyonu tahmini

Solar radiation forecasting using machine learning techniques

PDF İndir

  1. Tez No: 941690
  2. Yazar: MUSTAFA TİMUR
  3. Danışmanlar: DOÇ. DR. MEHMET EMİN ASKER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları
  12. Bilim Dalı: Teknolojileri Ana Bilim Dalı
  13. Sayfa Sayısı: 96

Özet

TBu çalışmada, makine öğrenimi teknikleri kullanılarak Diyarbakır ili için güneş radyasyonu tahmini gerçekleştirilmiştir. Yenilenebilir enerji kaynakları arasında önemi giderek artan güneş enerjisi, doğru tahmin yöntemleri ile enerji verimliliğini artırma potansiyeline sahiptir. Çalışma kapsamında, Dicle Üniversitesi merkez kampüsünde bulunan meteorolojik istasyondan alınan dakika, saat, gün, ay ve yıl bazlı veriler kullanılarak bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. Veri ön işleme sürecinde eksik veriler doldurulmuş, aykırı değerler temizlenmiş ve veri seti normalize edilmiştir. Modelin eğitimi için veri seti %90 eğitim, %10 test oranında bölünmüş, eğitim verisinin %10'u doğrulama için ayrılmıştır. YSA modeli, giriş katmanı dâhil toplam sekiz katmandan oluşmakta olup yedi gizli katmana sahiptir. Tüm gizli katmanlar ReLU aktivasyon fonksiyonu ile eğitilmiştir. Çıkış katmanı ise tek bir nörondan oluşmakta olup herhangi bir aktivasyon fonksiyonu içermemektedir. Adam optimizasyon algoritması, 0.001 öğrenme oranı ve 1000 epoch boyunca eğitim süreci gerçekleştirilmiştir. Elde edilen sonuçlar, modelin başarılı bir tahmin performansı sergilediğini göstermektedir. Modelin aylık ortalama performansı R² değeri açısından 0.849 olup, RMSE değerleri 48.07 ile 150.32 W/m², MSE değerleri 2311.06 ile 22596.75 W²/m⁴ ve MAE değerleri ise 26.98 ile 87.39 W/m² arasında değişmektedir. Bu kapsamda modelin tahmin doğruluğu aylara göre farklılık göstermiş olup, genel hata metrikleri belirtilen aralıklarda olacak şekilde hesaplanmıştır. Geliştirilen YSA modeli, Rastgele Orman, Karar Ağacı, Destek Vektör Makineleri ve K-En Yakın Komşu gibi diğer makine öğrenim teknikleri ile kıyaslanarak, daha yüksek doğruluk ve daha düşük hata değerleri sunduğu gözlemlenmiştir. Bu sonuçlar, YSA modelinin karmaşık ve doğrusal olmayan ilişkileri etkili bir şekilde modellediğini ve geleneksel ampirik yöntemlere kıyasla daha doğru tahminler üretebildiğini kanıtlamaktadır. Çalışmanın bulguları, doğru güneş radyasyonu tahminlerinin enerji depolama birimlerinin seçimi, elektrik üretim stratejilerinin belirlenmesi ve güneş panellerinin verimli kullanımı gibi kritik süreçlere katkı sağladığını ortaya koymuştur.

Özet (Çeviri)

This study focuses on the prediction of solar radiation for Diyarbakır province using machine learning techniques. Among renewable energy sources, solar energy has gained increasing importance and holds the potential to enhance energy efficiency with accurate prediction methods. In this context, a Neural Network (NN) model was developed using meteorological data collected at minute, hourly, daily, monthly, and yearly intervals from the meteorological station located on the central campus of Dicle University. During the data preprocessing phase, missing data were imputed, outliers were removed, and the dataset was normalized. The dataset was split into 90% training and 10% testing data, with 10% of the training data used for validation. The NN model consists of eight layers in total, including the input layer, and contains seven hidden layers. All hidden layers were trained using the ReLU activation function. The output layer consists of a single neuron and does not include any activation function. The Adam optimization algorithm was used with a learning rate of 0.001, and the model was trained over 1000 epochs. The results demonstrate that the model achieved successful prediction performance. The monthly average R² value was 0.849, while RMSE values ranged from 48.07 to 150.32 W/m², MSE values ranged from 2311.06 to 22596.75 W²/m⁴, and MAE values varied between 26.98 and 87.39 W/m². Accordingly, the prediction accuracy of the model varied by month, and the overall error metrics were calculated to fall within these specified ranges. The developed NN model was compared with other machine learning techniques such as Random Forest, Decision Tree, Support Vector Machines, and K-Nearest Neighbors, and it was observed to offer higher accuracy and lower error values. These results confirm that the NN model effectively captures complex and non-linear relationships, outperforming traditional empirical methods in generating more accurate predictions. The findings of this study highlight that accurate solar radiation predictions contribute significantly to critical processes such as selecting energy storage units, determining electricity production strategies, and optimizing the efficiency of solar panels.

Benzer Tezler

  1. Tez No

    762395

    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

  2. Tez No

    840101

    Predicting solar energy production using incremental machine learning techniques

    Kademeli makine öğrenmesi teknikleri kullanarak güneş enerjisi üretimi tahmini

    SEMANUR KAPUSIZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    EnerjiHacettepe Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA DİNLER

  3. Tez No

    942802

    Forecasting of produced output electricity in photovoltaic power plants

    Foto-voltaik güç santrallarında elektrik üretim tahmini

    TARANEH SAADATI

    Doktora

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. BURAK BARUTÇU

  4. Tez No

    877140

    Enhancing maximum power point tracking through ensemble learning techniques

    Topluluk öğrenme teknikleri yoluyla maksimum güç noktası takipini geliştirme

    HAYDER HUSAM MAHMOOD AL-MAYYAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ZAID HAMODAT

  5. Tez No

    965630

    Applications of artificial intelligence for the security of networks

    Ağ güvenliği için yapay zeka uygulamalari

    SELEN GEÇGEL ÇETİN

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT

Geri Dön