Geri Dön

Forecasting of produced output electricity in photovoltaic power plants

Foto-voltaik güç santrallarında elektrik üretim tahmini

PDF İndir

  1. Tez No: 942802
  2. Yazar: TARANEH SAADATI
  3. Danışmanlar: DOÇ. DR. BURAK BARUTÇU
  4. Tez Türü: Doktora
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 138

Özet

Küresel enerji piyasası, modern ekonomik büyümenin temel taşlarından biri olup, özellikle güneş enerjisi gibi yenilenebilir enerji kaynakları, iklim değişikliğini hafifletmek ve sürdürülebilir kalkınmayı teşvik etmek için önemli bir strateji olarak öne çıkmaktadır. Temiz ve bol bir kaynak olan güneş enerjisi, Birleşmiş Milletler Sürdürülebilir Kalkınma Amaçları'ndan (SKA) 7. Amaç (Erişilebilir ve Temiz Enerji) ve 13. Amaç (İklim Eylemi) gibi hedefleri doğrudan desteklerken, dolaylı olarak 8. Amaç (İnsana Yakışır İş ve Ekonomik Büyüme), 9. Amaç (Sanayi, Yenilikçilik ve Altyapı) ve 11. Amaç (Sürdürülebilir Şehirler ve Toplumlar) gibi hedeflere de katkı sağlamaktadır. Ancak, güneş enerjisi üretimindeki değişkenlik—güneş radyasyonu, sıcaklık ve teknolojik verimlilik gibi faktörlerden etkilenerek—şebeke istikrarı, kaynak planlaması ve yenilenebilir enerji kaynaklarının daha geniş entegrasyonu açısından zorluklar yaratmaktadır. Bu sorunların çözülmesinde doğru tahmin modelleri kritik bir rol oynamaktadır ve bu modeller, şebeke yönetiminin iyileştirilmesini, bilinçli politika oluşturulmasını ve yenilenebilir enerji sistemlerine yönelik stratejik yatırımların gerçekleştirilmesini mümkün kılmaktadır. Bu tez, güneş enerjisi tahminindeki zorlukları ele alarak, yapay zeka (AI) ve makine öğrenimi (ML) alanlarındaki gelişmelerden yararlanmak suretiyle tahminlerin doğruluğunu ve güvenilirliğini artırmayı amaçlamaktadır. Çalışma, endojen ve eksojen değişkenlerin entegrasyonu, kaotik modelleme ve hibrit model optimizasyonu gibi yeterince araştırılmamış alanlara odaklanmaktadır. Sistematik bir inceleme ve deneysel yaklaşımlar aracılığıyla, gerçek dünya verileriyle doğrulanan yenilikçi teknikler önerilmekte ve güneş enerjisi üretiminin yönetimi ile düşük karbonlu enerji sistemlerinin geliştirilmesi için pratik içgörüler sunulmaktadır. Bu çalışma, tahmin metodolojilerindeki kritik boşlukları ele alarak küresel sürdürülebilirlik hedeflerini desteklemekte, enerji güvenliğini teşvik etmekte ve daha temiz ve daha verimli enerji ağlarına geçişi hızlandırmaktadır. Bu araştırma, güneş enerjisi tahmini alanındaki kritik boşlukları belirlemek ve ele almak amacıyla kapsamlı bir literatür taramasına dayanmaktadır. Araştırma, dört ana boyuta odaklanmıştır: (1) güneş enerjisi üretiminin bütüncül bir şekilde anlaşılması için hem endojen hem de eksojen değişkenlerin entegrasyonu, (2) veri kalitesini ve model güvenilirliğini artırmak için boyut optimizasyonu ve özellik çıkarımı gibi sağlam veri ön işleme tekniklerinin kullanılması, (3) tahmin performansını iyileştirmek amacıyla ileri derin öğrenme mimarileri ve topluluk çerçevelerinin araştırılması ve (4) verimli ve ölçeklenebilir yapay zeka tabanlı tahmin çözümleri geliştirmek için meta-sezgisel algoritmaların optimize edilmesi. Bu dört metodolojik temel, güneş enerjisi veri setlerinde görülen doğrusal olmayan ilişkiler, zamansal bağımlılıklar ve kaotik davranış gibi zorlukları ele almayı hedeflemektedir. Çalışmada, Konya Ereğli Güneş Enerjisi Santrali'nden elde edilen gerçek verileriyle doğrulanan beş farklı tahmin modeli grubu—doğrusal, makine öğrenimi, derin öğrenme, topluluk öğrenimi ve kaotik modeller—kullanılmaktadır. FFNN, ELM, LSTM, GRU, RF, XGBoost ve ESN modelleri, standart değerlendirme metriklerine göre en iyi performans gösteren modeller olarak öne çıkmaktadır. Bu yedi model, endojen ve eksojen girdilerin birleştirildiği senaryolar altında test edilmiş ve doğruluk oranını en üst düzeye çıkarmak için Ağaç Yapılı Parzen Tahmincisi (Tree-structured Parzen Estimator, TPE) kullanılarak hiperparametre optimizasyonuna tabi tutulmuştur. Bu ilerlemeler, yenilenebilir enerjinin enerji şebekelerine entegrasyonunu destekleyerek daha güvenilir ve hassas güneş enerjisi tahminleri yapılmasına katkı sağlamaktadır. Modellerin eğitilmesinden önce, veri seti, kalite ve güvenilirliği sağlamak amacıyla kapsamlı bir temizlik sürecinden geçirilmiştir. Anormal değerler“Local Outlier Factor”(LOF) yöntemi ile belirlenip çıkarılmış ve zaman serisi özellikleri keşifsel veri analiziyle incelenmiştir. Veriler temizlenip analiz edildikten sonra, ilgili özelliklerin çıkarılması ve dönüştürülmesi için özellik mühendisliği stratejileri uygulanmış. Bu stratejiler hem bireysel temel modellerin hem de topluluk yığınlama meta- modellerinin özel gereksinimlerine uygun şekilde tasarlanmıştır. Veri sızıntısını önlemek ve model değerlendirmesinin sağlamlanması amacıyla, işlenmiş veri seti eğitim, doğrulama ve test alt gruplarına ayrılmakta ve hem temel modellerin hem de meta-modellerin geliştirilmesi için sağlam bir temel oluşturmaktadır. Bu çalışma, uygulanan tüm tahmin modellerinin performansını beş iyi bilinen değerlendirme metriği aracılığıyla analiz etmektedir: R-kare (R2), Kök Ortalama Kare Hatası (Root Mean Square Error, RMSE), Ortalama Kare Hatası (Mean Squared Error, MSE), Ortalama Mutlak Hata (Mean Absolute Error, MAE) ve Ortalama Mutlak Yüzde Hatası (Mean Absolute Percentage Error, MAPE). Bu metrikler, modellerin doğruluk ve güvenilirlik düzeylerini kapsamlı bir şekilde değerlendirmek için kullanılmaktadır. İncelikle optimize edilen temel modellerden LSTM ve GRU, en yüksek doğruluk ve güvenilirlik seviyelerini ortaya koymaktadır. Bu derin öğrenme mimarileri, güneş enerjisi verilerindeki karmaşık zamansal bağımlılıkları etkili bir şekilde yakalama becerisine sahiptir. LSTM ve GRU modellerinin ardından, FFNN, XGBoost, RF, ESN ve ELM gibi diğer modeller de tatmin edici performans sergilemiş olup, bu modellerin başarımı belirli senaryolara göre farklılık göstermektedir. Elde edilen sonuçlar, derin öğrenme modellerinin güçlü yanlarını öne çıkarırken, geleneksel makine öğrenimi ve topluluk yöntemlerinin belirli tahmin zorluklarının üstesinden gelme potansiyelini de desteklemektedir. Zaman serisindeki kaotik davranışları analiz etmek için faz uzayı, bir ön işleme yöntemi olan“False Nearest Neighbors”(FNN) ile yeniden yapılandırılmıştır. Bu yöntem, orijinal zaman serisinin yapısal bütünlüğünü koruyarak optimize edilmiş bir gömülü boyut belirler. Ardından, hem orijinal hem de gömülü veriler kullanılarak güneş enerjisi üretimi tahmini için ESN algoritması uygulanmıştır. Elde edilen sonuçlar, FNN yöntemiyle optimize edilen gömülü boyutun, güneş enerjisi üretimindeki doğrusal olmayan dinamikleri daha iyi yakalayarak tahmin doğruluğunu önemli ölçüde artırdığını ortaya koymaktadır. Gömülü veri üzerinde ESN modelinin gösterdiği üstün performans, kaotik modelleme sürecinde—özellikle gömülü boyut seçiminde—veri ön işlemenin kritik önemini vurgulamaktadır. Bu yaklaşım, optimize edilmiş veri gömme işlemi ile etkili bir model mimarisinin birleştirilmesinin üstün tahmin yeteneklerine nasıl katkı sağladığını göstermekte ve güneş enerjisi tahmini için daha verimli ve güvenilir çözümler sunmaktadır. Tezin son aşamasında, tahmin performansını daha da geliştirmek için yığınlama (stacking) topluluk makine öğrenimi teknikleri uygulanmıştır. Bu süreçteki temel amaç, bireysel temel modellerin tahmin gücünü aşan yenilikçi bir metamodel tasarlamaktır. Bu doğrultuda, yığınlama topluluk modelleri iki ana kategoride ele alınmıştır: regresyon tabanlı yığınlama ve sinir ağı tabanlı yığınlama. Her bir yaklaşım eleştirel bir şekilde değerlendirilmesi ve karşılaştırılması sayesinde en doğru modelin belirlenmesi sağlanmıştır. Elde edilen sonuçlar, bu araştırmanın önemli katkılarından biri olarak öne çıkmaktadır. Birinci kategoride, yedi temel modelin tahminlerini bir araya getirmek için meta- model olarak geleneksel regresyon algoritmaları (Çoklu Doğrusal Regresyon, Ridge Regresyon ve Lasso Regresyon) kullanılmıştır. Bu yaklaşım, çeşitli temel tahmincilerin güçlü yönlerinden yararlanarak doğrusal bir kombinasyon yoluyla genel tahmin hatasını en aza indirmeyi hedeflemektedir. Ancak, bu yöntem, belirlenmiş doğruluk kriterlerini aşmayı başaramamıştır. İkinci kategoride, meta-model olarak sinir ağları (NN) kullanılmış ve bu ağların verilerdeki karmaşık doğrusal olmayan ilişkileri yakalama kapasitesinden yararlanılmıştır. Bu bağlamda, üç farklı sinir ağı tabanlı yığınlama stratejisi geliştirilmiş, bunlar arasında önerilen derin öğrenme tabanlı yığınlama modeli yer almıştır. Bu meta-model, yalnızca bireysel doğruluk metriklerine göre en iyi performans gösteren iki temel model kullanılarak kasıtlı olarak tasarlanmış. Tahmin performansını daha da artırmak için ileri düzey teknikler ve optimize edilmiş hiperparametreler uygulanmıştır. Sonuç olarak, bu nihai yığınlama modeli, incelenen tüm modeller arasında en yüksek tahmin doğruluğunu sağlamıştır. Meta-modellerin tasarımları, Model Çıkış İstatistikleri (Model Output Statistics, MOS) gibi bir son işleme tekniğinin entegrasyonunu içeren çeşitli iyileştirmelerden geçirilmiştir. Bu düzenlemeler, ek ayarlamaların tahmin doğruluğunu artırıp artırmayacağını belirlemeyi amaçlamaktadır. Bu çalışmaların sonucu olarak, bu tezde önerilen Derin Öğrenme Tabanlı Yığınlama Meta-Modeli, Konya Ereğli Güneş Enerjisi Santrali'nin enerji çıktısını %98'in üzerinde etkileyici bir hassasiyetle tahmin etmektedir. Bu model, en doğru temel model olan LSTM'yi aşmakla kalmayıp, aynı zamanda bu araştırmanın temel hedefi olan yüksek doğruluklu güneş enerjisi tahmini için yeni bir standart belirlemeyi de başarmaktadır. Önerilen derin öğrenme tabanlı yığınlama meta-modelinin önemli bir gücü, bu çalışmada geliştirilen diğer meta-modellerle karşılaştırıldığında öne çıkan sadeleştirilmiş mimarisinde yatmaktadır. Yalnızca en doğru iki temel modele odaklanarak, meta-model üstün tahmin doğruluğu ile düşük hesaplama maliyetlerini dengeler. Bu minimalist tasarım, hem eğitim hem de dağıtım süreçlerini hızlandırarak, araştırmanın meta-sezgisel model mimarilerini optimize etme ve daha verimli, ölçeklenebilir yapay zeka tabanlı tahmin çözümleri oluşturma hedefine katkıda bulunmaktadır. Bu düzeydeki tahmin hassasiyeti, güneş enerjisi tahmininde ileri düzey topluluk tekniklerinin dönüştürücü potansiyelini ortaya koymaktadır. Artan doğruluk seviyelerine ulaşarak, bu yöntemler enerji yönetim sistemlerini geliştirmekte, şebeke entegrasyonunu kolaylaştırmakta ve yenilenebilir enerji sektörlerinde stratejik uzun vadeli planlamayı desteklemektedir. Sonuç olarak, önerilen derin öğrenme tabanlı yığınlama meta-modeli, sürdürülebilir enerji altyapılarının geliştirilmesi ve yenilenebilir enerji sistemlerine güvenilir bir geçişin sağlanması için önemli bir araç olarak öne çıkmaktadır.

Özet (Çeviri)

The global energy market is pivotal to modern economic growth, with renewable energy, particularly solar power, emerging as a key strategy for mitigating climate change and fostering sustainable development. Solar energy, a clean and abundant resource, directly supports UN Sustainable Development Goals (SDGs) such as Goal 7 (Affordable and Clean Energy) and Goal 13 (Climate Action) while indirectly contributing to Goals 8 (Decent Work and Economic Growth), 9 (Industry, Innovation, and Infrastructure), and 11 (Sustainable Cities and Communities). However, the variability of solar energy generation—shaped by factors like solar radiation, temperature, and technological efficiency—poses challenges for grid stability, resource planning, and the broader integration of renewables. Accurate forecasting is critical to addressing these issues, enabling better grid management, informed policymaking, and strategic investments in renewable energy systems. This thesis tackles the challenges associated with solar energy forecasting by utilizing cutting-edge developments in artificial intelligence (AI) and machine learning (ML) to improve prediction accuracy and reliability. It focuses on under-explored areas, including the integration of endogenous and exogenous variables, chaotic modeling, and hybrid model optimization. Through systematic investigation and evaluations, the research proposes innovative techniques validated with real-world data, providing practical insights for managing solar power generation and advancing low-carbon energy systems. By tackling critical gaps in forecasting methodologies, this work supports global sustainability goals, promotes energy security, and accelerates the transition to cleaner and more efficient power networks. This thesis builds upon the extensive literature review to identify and address critical gaps in solar energy forecasting. The research focuses on four key dimensions: (1) integrating both endogenous variables and exogenous variables for a holistic understanding of solar energy generation, (2) employing robust data preprocessing techniques like dimensionality optimization and feature extraction to enhance data quality and model reliability, (3) exploring advanced deep learning architectures and ensemble frameworks to improve predictive performance, and (4) optimizing metaheuristic algorithms for efficient and scalable AI-based forecasting solutions. These four methodological pillars aim to address challenges such as nonlinearity, temporal dependencies, and chaotic behavior in solar power datasets. The study employs five groups of forecasting models—linear, machine learning, deep learning, ensemble learning, and chaotic models—validated using real-world data from the Konya Eregli Solar Power Plant. Among the models, Feedforward Neural Networks (FFNN), Extreme Learning Machines (ELM), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Random Forest (RF), eXtreme Gradient Boosting (XGBoost), and Echo State Networks (ESN) emerged as top performers based on standard evaluation metrics. These seven models were tested under scenarios combining endogenous and exogenous inputs and underwent hyperparameter optimization using the Tree-structured Parzen Estimator (TPE) to maximize accuracy. Together, these advancements contribute to more reliable and precise solar energy forecasting, supporting the integration of renewable energy into power grids. Prior to training the models, the dataset undergoes a thorough cleaning process to ensure the quality and reliability of the data. Outliers are identified and removed using the Local Outlier Factor (LOF) method, followed by an exploratory data analysis to gain deeper insights into the time series characteristics. Once the data is cleaned and understood, feature engineering strategies are applied to extract and transform relevant features. These strategies are specifically tailored to meet the unique requirements of both individual base models and ensemble stacking meta-models. To ensure robust model evaluation and prevent data leakage, the processed dataset is split into training, validation, and test sets, forming a reliable foundation for both base and meta-model development. This study evaluates the performance of all implemented forecasting models using five well-established evaluation metrics: R-squared (R2), Root Mean Square Error (RMSE), Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). Together, these metrics offer a thorough analysis of the models' accuracy and reliability. Among the fine-tuned base models, the LSTM and GRU models demonstrate the highest levels of accuracy and reliability. These deep learning architectures effectively capture the complex temporal dependencies inherent in solar power data. Following LSTM and GRU, other models such as FFNN, XGBoost, RF, ESN, and ELM also perform well, with their efficacy varying based on specific scenarios. These results underscore the strengths of deep learning models while validating the applicability of traditional machine learning and ensemble methods in addressing particular forecasting challenges. To address chaotic behavior in the time series, the False Nearest Neighbors (FNN) method is incorporated as a preprocessing technique for reconstructing the phase space. This step determines an optimized embedding dimension intended to maintain the structural consistency of the original time series. The ESN algorithm is then employed to forecast solar energy production using both the original and embedded data. Results show that optimizing the embedding dimension via the FNN technique significantly improves the model's capability to capture the nonlinear dynamics underlying solar power generation, leading to more accurate forecasts. The enhanced performance of the ESN model on the embedded data underscores the vital role of data preprocessing—particularly embedding dimension selection—in chaotic modeling for solar energy systems. Overall, this approach demonstrates how combining proper data embedding with an optimized model architecture leads to superior predictive capabilities, further contributing to efficient and reliable solar energy forecasting. As the final stage of this thesis, stacking ensemble machine learning techniques are applied to enhance forecasting performance even further. The primary aim is to develop a novel metamodel that surpasses the prediction capabilities of the individual base models. Two categories of stacking ensemble models are investigated: regression-based stacking and neural network-based stacking. Each approach is critically evaluated and compared, leading to the identification of the most accurate model—an essential contribution of this research. In the first category, traditional regression algorithms—Multi-Linear Regression, Ridge Regression, and Lasso Regression—function as the meta-model to combine the predictions of the seven base models. This approach leverages the strengths of diverse base predictors through a linear combination, aiming to minimize overall forecast error. However, it ultimately does not surpass the established accuracy benchmark. In the second category, neural networks (NN) function as the meta-model, exploiting their capacity to capture complex nonlinear relationships within the data. Three distinct neural network-based stacking strategies are developed, including the proposed deep learning-based stacking model. This meta-model is deliberately constructed using only the two best-performing base models, selected based on their individual accuracy metrics. To further enhance predictive performance, advanced techniques and optimized hyperparameters are incorporated. As a result, this final stacking model delivers the highest forecast accuracy among all models investigated. The meta-models' designs undergo several refinements, including the integration of Model Output Statistics (MOS) as a post-processing technique. These adjustments aim to determine whether further tuning can enhance forecasting accuracy. The outcome of these efforts is the Deep Learning-Based Stacking Meta-Model, proposed by this thesis, which predicts solar energy output for the Konya Eregli Solar Power Plant with an impressive precision exceeding 98%. This model not only outperforms the most accurate base model (LSTM) but also achieves the primary objective of this research: setting a new standard for high-accuracy solar energy forecasting. A key strength of the proposed deep learning-based stacking meta-model lies in its simplified architecture, which stands out compared to the other meta-models developed in this thesis. By focusing exclusively on the two most accurate base models, the meta-model balances exceptional forecasting accuracy with reduced computational demands. This minimalistic design speeds up both the training and deployment processes, aligning with the research objective of optimizing metaheuristic model architectures to create more efficient and scalable AI-driven forecasting solutions. This level of predictive precision underscores the transformative potential of advanced ensemble techniques in solar energy forecasting. By achieving improved accuracy, these methods enhance energy management systems, enable smoother grid integration, and support strategic long-term planning in renewable energy sectors. As a result, the proposed deep learning-based stacking meta-model proves to be an essential tool for advancing sustainable energy infrastructures and ensuring a reliable transition to renewable energy systems.

Benzer Tezler

  1. Tez No

    706964

    Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini

    Short term solar energy prediction by using artifical neural networks

    ELA NUR ORUÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÖZTOPAL

  2. Tez No

    421040

    Güneş radyasyon tahmini için bulanık zaman serisi yöntemleri ve fotovoltaik sulama sistemi optimizasyonunda uygulanması

    Forecasting solar radiation with fuzzy time series and optimization application in photovoltaic irrigation system

    CEYDA OLCAN

    Doktora

    Türkçe

    Türkçe

    2015

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ELMKHAN MAHMUDOV

  3. Tez No

    496431

    Ana sisteme bağlı bir mikro şebeke için gün içi elektrik piyasasına dayalı çizelgeleme

    Energy scheduling for a microgrid connected to the main grid based on real time electricity market

    EMRAH ERDEM UFLUOĞLU

    Doktora

    Türkçe

    Türkçe

    2018

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLGÜN KAYAKUTLU

  4. Tez No

    599150

    Zaman serileri modelleri ile yenilenebilir enerji sistemlerinin güç üretim tahminlenmesi

    Power generation forecasting of renewable energy resources by using time series methods

    FEYZA TURAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BEDRİ KEKEZOĞLU

  5. Tez No

    610845

    Hidroelektrik enerji santrallerinde üretilen enerjinin kısa ve uzun süreli olarak tahmin edilmesi ve taşkın riskinin araştırılması: Doğançay Hidroelektrik Enerji Santralleri örneği

    Estimation of energy produced in hydroelectri̇c power plants as short and long term and investigation of flood risk: case study of Dogancay Hydroelectric Power Plants

    AHMET IYAD CEYHUNLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İnşaat MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKMEN ÇERİBAŞI

Geri Dön