Ultra-kısa dönem fotovoltaik güç tahmininde istatistiksel ve makine öğrenmesi tabanlı yöntemlerin karşılaştırılması
Comparison of statistical and machine learning-basedmethods for ultra-short-term photovoltaicpower forecasting
- Tez No: 972669
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN HÜSEYİN ÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yenilenebilir enerji kaynaklarının artan payı, elektrik şebekelerinde arz-talep dengesinin sağlanmasını giderek karmaşık hale getirmektedir. Özellikle güneş enerjisi gibi hava koşullarına bağlı kaynaklar, ani üretim dalgalanmalarına yol açarak şebekede gerilim ve frekans dengesizlikleri oluşturmakta ve enerji kesintisi riskini artırmaktadır. Bu durum, daha fazla yedek rezerv güç bulundurulmasını ve bunların daha sık devreye alınmasını gerektirmekte; dolayısıyla hem işletme maliyetlerini yükseltmekte hem de enerji sürekliliğini tehdit etmektedir. Bu üretim dalgalanmaları elektrik piyasa mekanizmaları üzerinde de belirgin etkiler yaratmaktadır. Türkiye'deki EPİAŞ tarafından işletilen elektrik borsalarında gün içi ve gün öncesi ticaret süreçleri, üretimdeki ani değişimlerden doğrudan etkilenmekte; bu da enerji fiyatlarında dalgalanmalara ve piyasa katılımcıları için risklerin artmasına neden olmaktadır. Çok kısa dönemli PV (fotovoltaik) üretim tahmini, gelecek birkaç dakikadan bir saat sonrasındaki zaman dilimine kadar güneş enerjisi santralinden şebekeye verilecek elektrik gücünün tahmin edilmesidir. Bu öngörüler şebeke işletmecilerinin daha etkin kararlar alabilmesini, yedek güç kaynaklarını daha verimli kullanabilmesini ve enerji arzını kesintisiz sürdürebilmesini sağlar. Böylece şebeke daha güvenilir, verimli ve sürdürülebilir şekilde çalışırken karbon emisyonları düşürülerek çevreye katkı sağlanır. Bu çalışmada, Türkiye'nin Balıkesir ilinde yer alan 2,8 MW gücündeki bir güneş enerji santralinden toplanan bir yıllık veriler kullanılarak 5 dakika ileriye yönelik güç tahmini yapılmıştır. Girdi olarak 5 dakika önceki güç, güneş ışınımı, panel sıcaklığı, ortam sıcaklığı, rüzgâr hızı ve saat bilgileri alınmış; çıktı olarak ise 5 dakika sonraki güç öngörülmüştür. Tahmin için Regresyon, Yapay Sinir Ağları (YSA), Uzun Kısa Vadeli Bellek (LSTM) ve Gradyan Artırmalı Regresyon Ağaçları (GBRT) yöntemleri uygulanmıştır. Ayrıca referans yöntem olarak Persistence yöntemi karşılaştırma amacıyla kullanılmıştır. Veriler iki farklı strateji ile modellenmiştir: tüm yıl verisiyle oluşturulan model (Model-1) ve her ay için ayrı ayrı oluşturulan modeller (Model-2). Yapılan testler sonucunda, en iyi performansı GBRT Model-2 gösterirken (R²: 0.9833, MAPE: %5.43), onu YSA Model-1 takip etmiştir (R²: 0.9810, MAPE: %6.67). Buna karşılık, en düşük performans LSTM Model-2'den gelmiştir (R²: 0.8875, MAPE: %16.79). Referans model olan Persistence Model 1 (R²: 0.93, MAPE: %8.52) ile karşılaştırıldığında, GBRT ve YSA gibi makine öğrenmesi modellerinin tahmin doğruluğunu önemli ölçüde artırdığı, ancak LSTM modellerinin beklentileri karşılamakta zorlandığı gözlemlenmiştir. Aylık verilerle eğitilen Model-2 yaklaşımının mevsimsel performans analizi, bu modelin yaz aylarında daha iyi sonuçlar verdiğini, buna karşılık kış aylarında performansının düştüğünü göstermiştir. Sonuç olarak, 5 dakikalık çözünürlükte kısa dönemli PV güç tahmini için makine öğrenmesi yöntemlerine dayalı veri odaklı yaklaşımlar, sistem güvenilirliği ve ekonomik verimliliği artırarak yenilenebilir enerjinin entegrasyonunu kolaylaştırmaktadır. Bu öngörüler, şebeke işletiminin kısa vadeli planlama ve dengeleme kararlarında güvenilir biçimde kullanılabilir.
Özet (Çeviri)
The increasing share of renewable energy sources is making it increasingly complex to maintain the supply–demand balance in power grids. In particular, weather-dependent sources such as solar energy cause sudden fluctuations in generation, leading to voltage and frequency instabilities in the grid and increasing the risk of power outages. This situation requires keeping more reserve power capacity available and activating it more frequently; consequently, it raises operating costs and threatens the continuity of energy supply. These production fluctuations also have a significant impact on electricity market mechanisms. In Turkey, the day-ahead and intraday trading processes operated by EPİAŞ are directly affected by sudden changes in generation, which leads to price volatility and increased risks for market participants. Ultra-short-term PV (photovoltaic) generation forecasting refers to predicting the electrical power that will be delivered from a solar power plant to the grid within the next few minutes up to an hour. Such forecasts enable grid operators to make more effective decisions, utilize reserve power sources more efficiently, and ensure uninterrupted energy supply. As a result, the grid can operate in a more reliable, efficient, and sustainable manner while reducing carbon emissions and contributing to environmental protection. In this study, a five-minute-ahead power forecasting was carried out using one year of data collected from a 2.8 MW solar power plant located in Balıkesir, Turkey. As inputs, the power value from five minutes earlier, solar irradiance, panel temperature, ambient temperature, wind speed, and time information were used; the output was the predicted power for five minutes ahead. Regression, Artificial Neural Networks (ANN), Long Short-Term Memory (LSTM), and Gradient Boosted Regression Trees (GBRT) methods were applied for forecasting. In addition, the Persistence method was employed as a reference for comparison. The data were modeled using two different strategies: a single model built with the entire year's data (Model-1) and separate models built for each month (Model-2). Test results indicated that the best performance was achieved by GBRT Model-2 (R²: 0.9833, MAPE: 5.43%), followed by ANN Model-1 (R²: 0.9810, MAPE: 6.67%). On the other hand, the lowest performance was observed with LSTM Model-2 (R²: 0.8875, MAPE: 16.79%). Compared with the reference Persistence Model-1 (R²: 0.93, MAPE: 8.52%), it was observed that machine learning methods such as GBRT and ANN significantly improved forecasting accuracy, whereas LSTM models struggled to meet expectations. The seasonal performance analysis of the monthly-trained Model-2 showed that this approach yielded better results during the summer months, whereas its performance declined in winter. In conclusion, data-driven approaches based on machine learning methods for short-term PV power forecasting at a five-minute resolution enhance system reliability and economic efficiency, thereby facilitating the integration of renewable energy. These forecasts can be reliably utilized in short-term planning and balancing decisions of grid operation.
Benzer Tezler
- Yapay zekâ tabanlı modeller kullanılarak çok kısa vadeli fotovoltaik güç tahmini: Irak'ın El-Enbar bölgesinde bir vaka çalışması
Very short-term photovoltaic power forecasting using ai-based models: A case study in Al Anbar, Iraq
OTHMAN SULAIMAN HASSAN HASSAN
Yüksek Lisans
Türkçe
2026
Karabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Üçüncü nesil yapısal olarak eşdeğer ultra ince strutlı biyoeriyebilir polimerli sirolimus ve everolimus salınımlı stentlerin kısa ve uzun dönem klinik sonuçlarının karşılaştırılması
Comparison of short and long term clinical outcomes of third-generation structurally equivalent ultra-thin strut bioresorbable polymer sirolimus and everolimus eluting stents
AHMET CEYHUN CEBECİ
- İnsülin degludec+ insülin aspart karışımı insülin kullanan hastaların metabolik kontrol ve komplikasyonlar üzerine olan etkisinin değerlendirilmesi
Evaluation of the effect of insulin degludec+ insulin aspart mixture medication on patients' metabolic control and hypoglycaemia
DAMLA ORTABOZ
- Çocuklarda ultra işlenmiş besin tüketiminin dikkat eksikliği hiperaktivite bozukluğu, uyku bozuklukları ve antropometrik ölçümlerle ilişkisi
Association of ultra-processed food consumption with attention deficit hyperactivity disorder, sleep disorders and anthropometric measurements in children
AYA AZMANI MATAR
Yüksek Lisans
Türkçe
2026
Bandırma Onyedi Eylül ÜniversitesiBeslenme ve Diyetetik Ana Bilim Dalı
Yükleniyor...
- Polimerik lif katkılı kompozitlerin deformasyon sertleşmesi davranışının incelenmesi
Investigation of strain hardening behaviour of polymeric fiber reinforced composites
NESİM SOLMAZ