Makine öğrenme algoritmaları yardımıyla rüzgar enerji santrallerinin kısa, orta ve uzun vadeli enerji üretiminin modellenmesi
Modeli̇ng short, medi̇um, and long-term energy producti̇on of wi̇nd power plants usi̇ng machi̇ne learni̇ng algori̇thms
- Tez No: 952966
- Danışmanlar: PROF. DR. HARUN KEMAL ÖZTÜRK
- Tez Türü: Doktora
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim Dalı
- Sayfa Sayısı: 137
Özet
Rüzgâr enerjisi, sürdürülebilirliği ve çevre dostu yapısıyla yenilenebilir enerji kaynakları arasında öne çıkan bir alternatiftir. Ancak, yüksek ilk yatırım maliyetleri, sabit altyapı gereksinimi ve uygun coğrafi alanların sınırlı oluşu, bu kaynağın etkin kullanımını zorlaştırmaktadır. Rüzgârın düzensiz ve değişken doğası, üretim tahminlerinde yüksek belirsizlik yaratmakta ve bu durum enerji ticareti ile şebeke planlamasını olumsuz etkilemektedir. Bu nedenle doğru üretim tahmini yapılması, sektörel karar alma süreçleri açısından kritik öneme sahiptir. Bu çalışmada, Türkiye'nin Aydın ilinde yer alan Söke Çatalbük Rüzgâr Enerji Santrali için saatlik, günlük ve aylık düzeyde üretim tahmini gerçekleştirilmiştir. 2018–2022 yıllarına ait meteorolojik ve üretim verileri kullanılarak beş farklı makine öğrenmesi algoritması (Yapay Sinir Ağları, Random Forest, Extreme Gradient Boosting, k-En Yakın Komşu Regresyonu ve Çok Katmanlı Algılayıcı) uygulanmıştır. Veriler Standart Ölçekleme ve Min-Max Ölçekleme yöntemleriyle işlenmiştir. Model performansları MAE, RMSE ve R² metrikleriyle değerlendirilmiştir. Saatlik tahminlerde KNN algoritması R²=0.7871 ile en başarılı model olurken, günlük tahminlerde MLP ANN algoritması R²=0.8523 ile öne çıkmıştır. Aylık tahminlerde ise Random Forest algoritması R²=0.9187 ile en yüksek başarıyı göstermiştir. Elde edilen bulgular, zamansal çözünürlüklerin ve ölçekleme yöntemlerinin tahmin performansı üzerindeki etkisini ortaya koyarak literatüre katkı sunmaktadır.
Özet (Çeviri)
Wind energy stands out as a prominent alternative among renewable energy sources due to its sustainability and environmentally friendly characteristics. However, high initial investment costs, the requirement for fixed infrastructure, and the limited availability of geographically suitable areas hinder its effective utilization. Moreover, the inherently variable and chaotic nature of wind makes accurate production forecasting a major challenge, which in turn affects energy trading and grid planning. Therefore, reliable forecasting of wind energy production is of critical importance for operational and strategic decision-making processes in the energy sector. This study presents wind energy production forecasts at hourly, daily, and monthly resolutions for the Söke Çatalbük Wind Power Plant located in Aydın, Turkey. Using meteorological and production data collected between 2018 and 2022, five different machine learning algorithms were implemented: Artificial Neural Networks (ANN), Random Forest (RF), Extreme Gradient Boosting (XGBoost), k-Nearest Neighbors Regression (KNN), and Multi-Layer Perceptron (MLP ANN). The data were preprocessed using both Standard Scaling and Min-Max Scaling methods prior to model training. The prediction performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the Coefficient of Determination (R²). Among the models, KNN achieved the highest accuracy in hourly predictions (R² = 0.7871), MLP ANN performed best in daily forecasts (R² = 0.8523), while Random Forest yielded the best results for monthly predictions (R² = 0.9187). Although scaling methods influenced certain error metrics, no consistent performance difference was observed overall. This study contributes to the literature by examining the temporal impact of different algorithms and preprocessing techniques on wind energy production forecasting.
Benzer Tezler
- Short-term forecasting of wind power production using machine learning and deep learning methods
Makine öğrenmesi ve derin öğrenme yöntemiyle kısa dönem rüzgar gücü üretim tahmini
FEYRUZ AKSOY
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Python ile makine öğrenmesi algoritmalarını kullanarak rüzgar santralinin elektrik üretim tahmini
Electricity generation prediction of wind farm using machine learning algorithms with python
MUHSİN BAKDEMİR
Yüksek Lisans
Türkçe
2024
EnerjiOrdu ÜniversitesiYenilenebilir Enerji Ana Bilim Dalı
DOÇ. DR. SİBEL AKKAYA OY
- Development of an autonomous sailor: An application of hierarchical reinforcement learning to sailing
Yelken yapmayı öğrenen sanal etmenlerin pekiştirmeli öğrenme yöntemleri kullanılarak benzetim ortamındaki eğitimi
HÜSEYİN ŞENCAN
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BORAHAN TÜMER
- Drought prediction based on meteorological data using ensemble machine learning techniques
Topluluk tabanlı makine öğrenmesi teknikleri kullanılarak meteorolojik verilere dayalı kuraklık tahmini
ERTUĞRUL ÖZÜPEK
Yüksek Lisans
İngilizce
2024
MatematikGebze Teknik ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. NURİ ÇELİK
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE