Güneş enerjisi santrali elektrik üretimi tahmininin makine öğrenmesi algoritmalarıyla gerçekleştirilmesi
Realization of solar power plant electricity production estimation with machine learning algorithms
- Tez No: 944977
- Danışmanlar: DOÇ. DR. ÖMER FARUK EFE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 89
Özet
Bu çalışmanın amacı, bir güneş enerjisi santralinde elektrik üretimini makine öğrenmesi algoritmaları (XGBoost, LightGBM, CatBoost) kullanarak tahmin etmek ve bu modellerin performanslarını karşılaştırmaktır. Çalışmada, saatlik ve günlük elektrik üretim verileri analiz edilmiş ve her bir modelin tahmin doğruluğu MAE, MSE ve R² gibi metrikler ile değerlendirilmiştir. Ayrıca, modellerin farklı üretim seviyelerindeki tahminleri günlük bazda grafiklerle desteklenmiştir. Elde edilen bulgular, XGBoost algoritmasının günlük tahminlerde en düşük ortalama hataya (MAE: 3.594) sahip olduğunu, ancak veri setindeki varyansın açıklanmasında sınırlı bir başarı (R²: 0.362) performansı ortaya koymuştur. LightGBM algoritması, veri varyansının %56'sını açıklayarak (R²: 0.561) diğer modellere göre daha geniş bir kapsama sahip olmuş, ancak hata değerleri (MAE: 2024,321 ve MSE: 8.143.625,10) görece daha yüksek bulunmuştur. CatBoost algoritması ise R²: 0.527 ve MAE: 2123,28 değerleri ile orta düzeyde bir performans sergilemiş; yüksek üretim seviyelerinde tutarlı sonuçlar verirken düşük üretim seviyelerinde daha yüksek hata oranları göstermiştir. Genel olarak, modellerin yüksek ve orta üretim seviyelerinde başarılı olduğu, ancak düşük üretim seviyelerinde ve ani dalgalanmalarda performanslarının sınırlı kaldığı belirlenmiştir. Sonuç olarak, güneş enerjisi santralinden elektrik üretimini tahmin etmede kullanılan makine öğrenmesi algoritmaları, özellikle yüksek üretim dönemlerinde başarılı sonuçlar gösterirken, düşük üretim seviyelerinde hata oranlarının arttığı görülmüştür.
Özet (Çeviri)
The aim of this study is to predict electricity production in a solar power plant using machine learning algorithms (XGBoost, LightGBM, CatBoost) and compare the performances of these models. In the study, hourly and daily electricity production data were analyzed and the prediction accuracy of each model was evaluated with metrics such as MAE, MSE and R². In addition, the predictions of the models at different production levels were supported with graphs on a daily basis. The findings showed that the XGBoost algorithm had the lowest average error (MAE: 2.438) in daily predictions, but limited success (R²: 0.362) in explaining the variance in the data set. The LightGBM algorithm had a wider coverage than the other models by explaining 56% of the data variance (R²: 0.561), but the error values (MAE: 2024.321 and MSE: 8,143,625.10) were found to be relatively higher. The CatBoost algorithm, on the other hand, exhibited a moderate performance with R²: 0.527 and MAE: 2123.28 values; while it provided consistent results at high production levels, it showed higher error rates at low production levels. In general, it was determined that the models were successful at high and medium production levels, but their performance was limited at low production levels and sudden fluctuations. As a result, while the machine learning algorithms used to estimate electricity production from solar power plants showed successful results, especially during high production periods, it was observed that error rates increased at low production levels.
Benzer Tezler
- Güneş enerjisi santrali elektrik üretimi tahmininin makine öğrenmesi algoritmalarıyla gerçekleştirilmesi
Performing solar power plant electricity generation forecasting with machine learning algorithms
ALİ RIZA ÖZER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER FARUK BAY
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Çatı üstü fotovoltaik santraller için yapay zeka tabanlı enerji üretim tahmini
Artficial intelligence – based energy generation estimating for rooftop photovoltaic plants
AGHASALIM GULIYEV
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK EFE
- Investigation of the impact of the solar power generation forecast by using big data analytics on the local electricity market
Büyük veri analitiği ile yapılan güneş enerjisi üretim tahmininin yerel elektrik piyasası üzerindeki etkisinin incelenmesi
OZAN OĞULCAN DEMİRTAŞ
Yüksek Lisans
İngilizce
2023
EnerjiHacettepe ÜniversitesiTemiz Tükenmez Enerjiler Ana Bilim Dalı
PROF. DR. AYŞEN SİVRİKAYA
DOÇ. DR. TUNCA DOĞAN