Farklı makine öğrenme yöntemleri ile güneş panellerinin enerji üretim tahmini
Estimation of solar panel energy production with different machine learning methods
- Tez No: 956894
- Danışmanlar: DOÇ. DR. MUHAMMET EMİN ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Güneş enerjisi santrali, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Regresyon, Yapay zeka, Üretim tahmini, Deep learning, Solar energy plant, Machine learning, Machine learning methods, Regression, Artificial intelligence, Production estimate
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güneş enerjisi, sürdürülebilir ve çevre dostu bir enerji kaynağı olarak küresel enerji dönüşümünde giderek daha önemli bir rol üstlenmektedir. Ancak güneş ışınımına bağlı üretim miktarındaki doğal değişkenlik, enerji üretiminin güvenilir bir şekilde tahmin edilmesini önemli bir gereklilik haline getirmektedir. Geleneksel istatistiksel yöntemler bu doğrultuda yetersiz kalmakta; bu nedenle yapay zeka tabanlı yaklaşımlar öne çıkmaktadır. Bu tez çalışması, Türkiye'deki 12 farklı güneş enerji santraline ait 2023-2024 yıllarını kapsayan saatlik üretim ve meteorolojik veriler kullanılarak, güneş enerjisi üretiminin yüksek doğrulukla tahmin edilmesini amaçlamaktadır. Tahmin süreci, veri ön işleme adımını takiben, çeşitli makine öğrenmesi algoritmaları ile dikkat mekanizması içeren gelişmiş bir derin öğrenme yöntemi olan Zamansal Füzyon Transformatörü (Temporal Fusion Transformer) modelinin uygulanmasıyla gerçekleştirilmiştir. Makine öğrenmesi modelleri, dört farklı hiperparametre optimizasyon tekniği kullanılarak en uygun hale getirilmiştir. Model performansları, R² (belirleme katsayısı), MAE (ortalama mutlak hata), MAPE (ortalama mutlak yüzde hata) ve RMSE (kök ortalama kare hata) metrikleriyle değerlendirilmiştir. Elde edilen sonuçlara göre, Rastgele Orman ve Aşırı Gradyan Artırma algoritmaları yaklaşık %96,20'lik R² ve yaklaşık 113 MAE değeriyle yüksek doğruluk sunmuştur. Çalışmanın bir diğer sonucu, zaman bağımlı verilerdeki karmaşık ilişkileri modelleme konusunda performans sergileyen Zamansal Füzyon Transformatörü modelinin, test veri setinde %96,81'lik R² ve 76,35 MAE değeriyle tüm modeller arasında daha iyi sonuca ulaşmasıdır. Bu bulgular, derin öğrenme tabanlı gelişmiş yaklaşımların, özellikle de zaman serisi veriler için geliştirilen modellerin, güneş enerjisi üretimi tahmininde son derece etkili olduğunu ve enerji sektöründe planlama, yönetim ve karar destek süreçlerine önemli katkılar sağlayabileceğini göstermektedir.
Özet (Çeviri)
Solar energy is increasingly playing a crucial role in the global energy transition as a sustainable and environmentally friendly energy source. However, the natural variability in solar irradiance makes reliable forecasting of energy production a critical necessity. Traditional statistical methods often fall short in this regard; therefore, artificial intelligence-based approaches are gaining prominence. This thesis aims to accurately predict solar energy generation using hourly production and meteorological data from 12 different solar power plants in Türkiye, covering the years 2023–2024. The forecasting process involved data preprocessing followed by the implementation of various machine learning algorithms and an advanced deep learning model incorporating attention mechanisms, known as the Temporal Fusion Transformer (TFT). Machine learning models were optimized using four different hyperparameter tuning techniques. Model performances were evaluated using R² (coefficient of determination), MAE (mean absolute error), MAPE (mean absolute percentage error), and RMSE (root mean square error) metrics. According to the results, the Random Forest and Extreme Gradient Boosting algorithms achieved high accuracy, with approximately 96.20% R² and a MAE of around 113. Another key finding of the study is that the Temporal Fusion Transformer, which is effective in modeling complex relationships in time-dependent data, outperformed all other models with 96.81% R² and a MAE of 76.35 on the test dataset. These findings demonstrate that deep learning-based advanced approaches, especially models specifically designed for time series data, are highly effective in solar energy forecasting and can significantly contribute to planning, management, and decision-support processes in the energy sector.
Benzer Tezler
- 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
- Predicting the bandgap of hole-transport materials by deep learning
Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini
MİRAÇ AYDIN
Yüksek Lisans
İngilizce
2023
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ADEM TEKİN
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm
Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması
BOĞAÇ OĞUZ TOĞAY
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE