Geri Dön

Güneş enerjisi güç üretim tahmininde makine öğrenimi modellerinin performans karşılaştırması: Deneysel bir çalışma

Performance comparison of machine learning models in solar energy power generation forecasting: An experimental study

PDF İndir

  1. Tez No: 957348
  2. Yazar: AHMET MERİÇ KARADEMİR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET KARABULUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Yozgat Bozok Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 124

Özet

Bu çalışma, güneş enerjisi üretiminin kısa vadeli tahmini için çeşitli makine öğrenmesi modellerinin performanslarını karşılaştırmalı olarak değerlendirmeyi amaçlamaktadır. Güneş enerjisinin kesintili ve belirsiz doğası nedeniyle, enerji planlaması ve şebeke yönetimi açısından yüksek doğruluklu tahmin modellerinin geliştirilmesi büyük önem arz etmektedir. Bu kapsamda, Başak Teneke Kutu Metal Ambalaj Sanayi Ticaret A.Ş.'nin fabrika çatısında kurulu fotovoltaik güneş enerji sisteminden elde edilen dört yıllık günlük üretim verileri, sıcaklık, nem, basınç ve güneş ışınımı gibi çevresel değişkenlerle birlikte kullanılarak özgün bir veri seti oluşturulmuştur. Deneysel aşamada, on farklı tekil model ve onbir farklı hibrit makine öğrenmesi modeli uygulanmıştır. Yapılan testler sonucunda, Bagging, CatBoost ve ElasticNet algoritmalarının birleşiminden oluşan üçlü hibrit model, ortalama mutlak hata (MAE) 341,25, karekök ortalama hata (RMSE) 469,39 ve determinasyon katsayısı (R²) 0,95 ile en iyi performansı göstermiştir. Bu sonuçlar, makine öğrenmesi modellerinin yenilenebilir enerji tahminindeki etkinliğini ortaya koymakta ve sürdürülebilir enerji yönetimini desteklemektedir.

Özet (Çeviri)

This study aims to comparatively evaluate the performance of various machine learning models for short-term prediction of solar energy production. Due to the intermittent and uncertain nature of solar energy, the development of highly accurate forecasting models is of great importance for energy planning and grid management. In this context, an original dataset was constructed using four years of daily production data obtained from the photovoltaic solar energy system installed on the rooftop of Başak Teneke Kutu Metal Ambalaj Sanayi Ticaret A.Ş.'s factory, along with environmental variables such as temperature, humidity, pressure, and solar radiation. During the experimental phase, ten different standalone models and eleven different hybrid machine learning models were implemented. Test results revealed that the triple hybrid model combining Bagging, CatBoost, and ElasticNet achieved the best performance, with a Mean Absolute Error (MAE) of 341.25, Root Mean Squared Error (RMSE) of 469.39, and a Coefficient of Determination (R²) of 0.95. These results highlight the effectiveness of machine learning models in renewable energy forecasting and support sustainable energy management.

Benzer Tezler

  1. Tez No

    942802

    Forecasting of produced output electricity in photovoltaic power plants

    Foto-voltaik güç santrallarında elektrik üretim tahmini

    TARANEH SAADATI

    Doktora

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. BURAK BARUTÇU

  2. Tez No

    850135

    Hibrit güç üretimi tahmininde makine öğrenimi algoritmalarının performans analizi

    Performance analysis of machine learning algorithms in hybrid power generation prediction

    BEGÜM UZUNOKUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiHarran Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GENCAY SARIIŞIK

  3. Tez No

    877140

    Enhancing maximum power point tracking through ensemble learning techniques

    Topluluk öğrenme teknikleri yoluyla maksimum güç noktası takipini geliştirme

    HAYDER HUSAM MAHMOOD AL-MAYYAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ZAID HAMODAT

  4. Tez No

    887668

    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

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  5. Tez No

    833606

    Makine öğrenimi teknikleri ile güneş ışınımı ve güç kestirimi

    Prediction of solar radiation and power using machine learning techniques

    CAN YUNUS ERÖZDEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SELMA GÜRLER

Geri Dön