Electric generation forecast of solar energy systems using machine learning techniques
Güneş enerjisi sistemleri için makine öğrenmesi teknikleri kullanılarak elektrik üretiminin tahmini
- Tez No: 945713
- Danışmanlar: DR. ÖĞR. ÜYESİ AKIN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik ve Doğa Bilimleri Ana Bilim Dalı
- Bilim Dalı: Enerji Sistemleri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 77
Özet
Karbondioksit ve sera gazı emisyonları, iklim değişikliğinin başlıca nedenlerinden biridir. İklim değişikliğinin tehdidi ve daha temiz bir çevreye duyulan ihtiyaç, fotovoltaik güneş sistemleri gibi yenilenebilir enerji kaynaklarına olan ilgiyi hızla artırmaktadır. Fotovoltaik sistemlerin enerji üretimlerinin hava koşullarına bağımlılığı nedeniyle enerji üretimlerinin aralıklı bir yapıya sahip olması, tahmin edilemeyen güç üretimi, voltaj dalgalanmaları ve potansiyel kesintilerle sonuçlanmaktadır. Bu doğal sınırlama, fotovoltaik sistemlerini mevcut şebekelere entegre etmede önemli bir zorluk oluşturmaktadır. Fotovoltaik sistemlerin güç üretimini doğru bir şekilde tahmin etmek bu zorlukları azaltarak şebekenin verimli çalışmasını sağlayacaktır. Bu tez çalışmasında, Türkiye'nin ilk lisanslı güneş enerji santrali olan Elazığ Solentegre güneş enerji santralinin elektrik üretimini tahmin etmek için literatürde sıklıkla kullanılan makine öğrenmesi yöntemleri kullanılmıştır. Kullanılan yöntemler karar ağacı, yapay sinir ağları, gradyanlı destekleme, rastgele orman ve K-en yakın komşu algoritmalarını içerir. Kullanılan makine öğrenmesi modellerinin performansını nesnel bir şekilde değerlendirmek ve karşılaştırmak için kök ortalama kare hatası, ortalama mutlak yüzde hatası, ortalama mutlak hata ve belirleme katsayısı performans metrikleri tercih edilmiştir. Tahmin yöntemleri için girdi parametrelerini oluşturan saatlik meteorolojik verileri, Meteoroloji İşleri Genel Müdürlüğü'nün Meteorolojik Veri Bilgi Sunum ve Satış Sistemi aracılığıyla elde edilmiş ve 2018 ila 2023 yılları arasındaki zaman aralığını kapsamaktadır. Girdi parametrelerinin seçimi ve model değerlendirmesi için sistematik bir yaklaşım kullanılarak çeşitli meteorolojik parametrelerin güneş enerjisi santrali güç çıktısı üzerindeki etkisi araştırılmıştır. Girdi parametresi sayısının artmasıyla birlikte modellerin performansının iyileştiği gösterilmiştir. Sonuçlar gradyanlı destekleme ve yapay sinir ağı modellerinin diğer makine öğrenmesi modellerinden sıklıkla daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
Carbon dioxide and greenhouse gas emissions are primary drivers of climate change. The threat of climate change and the need for a cleaner environment are rapidly increasing interest in renewable energy sources, such as photovoltaic solar systems. The intermittent energy generation nature of photovoltaic systems, due to their dependence on weather conditions, leads to unpredictable power generation, voltage fluctuations and potential disruptions. Electricity production depending on weather conditions makes it difficult to integrate the produced electricity into the grid. Accurately estimating the power output of the photovoltaic system significantly facilitates the integration of this produced electricity into the grid. In this thesis, the electricity production data of Elazığ Solentegre solar power plant, which is the first licensed solar power plant in Türkiye, was estimated using machine learning methods frequently used in the literature. The methods used include decision tree, artificial neural networks, gradient boosting, random forest, and K-nearest neighbors algorithms. To objectively evaluate and compare the performance of these machine learning models, root mean square error, mean absolute percentage error, mean absolute error, and coefficient of determination, performance metrics were selected. Hourly meteorological data, which served as input parameters for the prediction methods, were obtained from the General Directorate of Meteorology Meteorological Data Information Sales and Presentation System and covered the period from 2018 to 2023. By employing a systematic approach to input parameter selection and model evaluation, the impact of various meteorological parameters on power output of solar power plant was investigated. The results demonstrated that increasing the number of input parameters enhances model performance. The study reveals that the gradient boosting and artificial neural networks models frequently outperforms the other machine learning models.
Benzer Tezler
- Makine öğrenme tekniklerini kullanarak güneş enerji sistemlerinin elektrik üretim tahmini
Electric generation forecast of solar energy systems using machine learning techniques
GÜLŞAH KATIRCIGİL
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET DURAN TOKSARI
- Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması
Comparison of solar panel energy production forecast with machine learning methods
HAVVA AYYILDIZ KOÇ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiYenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
- An agent-based approach to assess the impact of electricity generation on carbon emissions
Bir ajan temelli yaklaşim ile elektrik üretiminin karbon emisyonlari üzerindeki etkisinin değerlendirilmesi
DENİZHAN GÜVEN
Doktora
İngilizce
2025
Enerjiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET ÖZGÜR KAYALICA
PROF. DR. ÖMER LÜTFİ ŞEN
- 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
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖZTOPAL
- Fotovoltaik bir santralin farklı çevresel koşullar altındaki güç tahmini için uygun makine öğrenmesi yöntemlerinin araştırılması
Investigation of suitable machine learning methods for power predicton of a photovoltaic plant under different environmental conditions
MEHMET ALBAYRAM
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK