PV güç tahmininde makine öğrenimi modellerinin karşılaştırmalıdeğerlendirmesi
Comparatıve evaluatıon of machıne learnıng models forPV power forecastıng
- Tez No: 1005671
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR İNANÇ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enerji Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Fotovoltaik (PV) güç üretiminin kısa dönemli olarak doğru bir şekilde tahmin edilmesi; şebeke kararlılığının sağlanması, operasyonel planlamanın iyileştirilmesi ve enerji piyasası verimliliğinin artırılması açısından kritik bir öneme sahiptir. Güneş ışınımındaki ani dalgalanmalar, sıcaklık değişimleri ve meteorolojik dinamikler PV çıktısında önemli belirsizlikler oluşturarak veri odaklı tahmin modellerini modern yenilenebilir enerji sistemlerinin vazgeçilmez bir bileşeni hâline getirmektedir. Bu çalışmada, meteorolojik ölçümler ile mühendislik temelli zaman özelliklerini bir araya getiren kapsamlı bir veri seti kullanarak büyük ölçekli bir PV santralinin toplam güç çıktısını tahmin etmek amacıyla çeşitli makine öğrenimi algoritmalarının performansını incelemektedir. Araştırma kapsamında zaman damgası hizalama, eksik veri işleme, özellik mühendisliği ve inverter seviyesindeki AC güç verilerinden türetilen güvenilir bir iv hedef değişkenin oluşturulması gibi kapsamlı bir ön işleme süreci uygulanmıştır. Çalışmada Persistence (baseline), K-Nearest Neighbor, Support Vector Regression, Random Forest, Gradient Boosting, XGBoost, LightGBM ve CatBoost modelleri değerlendirilmiş ve model performansları RMSE, MAE ve R² ölçütleri ile analiz edilmiştir. Deney sonuçları, 15 dakikalık zaman aralıklarında yüksek otokorelasyon nedeniyle Persistence modelinin doğal olarak en yüksek R² değerine ulaştığını, ancak CatBoost modelinin makine öğrenimi algoritmaları arasında en etkili model olarak öne çıktığını göstermektedir. CatBoost, en düşük hata değerlerini (RMSE ve MAE) ve en yüksek R² skorunu elde ederek doğruluk ve genelleme açısından en dengeli performansı sunmuştur. Optimize edilmiş RandomForest ve LightGBM modelleri de güçlü ve istikrarlı sonuçlar sergilemiş olup, alternatif modeller olarak kullanılmaya uygundur. Buna karşılık SVR, hiperparametre ayarlamalarından sonra bile PV güç verisinin doğrusal olmayan ve geniş ölçekli yapısını temsil etmede belirgin sınırlılıklar göstermiştir. Genel olarak bulgular, özellikle CatBoost olmak üzere gradient boosting tabanlı modellerin; güneş ışınımı, sıcaklık, rüzgâr parametreleri ve zaman bağımlı desenler arasındaki karmaşık etkileşimleri yakalamada üstünlük sağladığını ortaya koymaktadır. Bu çalışma, PV güç tahmini için sağlam bir çerçeve sunmakta ve tahmin doğruluğunu ve operasyonel güvenilirliği artırmayı amaçlayan enerji sistemi operatörleri ve yenilenebilir enerji planlayıcıları için değerli uygulama içgörüleri sağlamaktadır.
Özet (Çeviri)
In this study, Accurate short-term forecasting of photovoltaic (PV) power generation is essential for ensuring grid stability, enhancing operational planning, and improving energy market efficiency. Sudden fluctuations in solar irradiance, temperature variations, and meteorological dynamics create significant uncertainty in PV output, making data-driven forecasting models a critical component of modern renewable energy systems. This study investigates the performance of multiple machine learning algorithms for predicting the total power output of a large-scale PV plant, using a rich dataset that integrates meteorological measurements and engineered temporal features. The research includes comprehensive preprocessing steps such as timestamp alignment, missing-data handling, feature engineering, and construction of a reliable target variable derived from inverter-level AC power. A variety of modeling techniques were evaluated, including Persistence (baseline), K-Nearest Neighbors, vi Support Vector Regression, Random Forest, Gradient Boosting, XGBoost, LightGBM, and CatBoost. Model performance was assessed using RMSE, MAE, and R² metrics. Experimental results show that while the Persistence model naturally achieves the highest R² due to strong temporal autocorrelation in 15-minute intervals, CatBoost stands out as the most effective machine-learning model. CatBoost achieved the best balance of accuracy and generalization, delivering the lowest error (RMSE and MAE) and the highest R² among ML models. RandomForest (optimized) and LightGBM also demonstrated strong and stable performance, making them suitable alternative models. In contrast, SVR showed significant limitations in handling the nonlinear and large- scale characteristics of PV power data, even after hyperparameter tuning. Overall, the findings highlight the superiority of gradient-boosting-based models— particularly CatBoost—in capturing complex interactions between solar radiation, temperature, wind parameters, and time-dependent patterns. The study provides a robust framework for PV power forecasting and offers practical insights for power system operators and renewable-energy planners aiming to improve prediction accuracy and operational reliability.
Benzer Tezler
- 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
2024
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ZAID HAMODAT
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- 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
ÖMER FARUK KIRIK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN HÜSEYİN ÇEVİK
- Performance evaluation of machine learning methods in photovoltaic plant power forecasting
Fotovoltaik santral güç tahmininde makine öğrenmesi yöntemlerinin performans değerlendirmesi
KHALED MOHAMED ALI ELTAWEEL
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Topkapı ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEVAT RAHEBİ
- Fotovoltaik panellerin çıkış parametrelerinin tahmininde ampirik modeller ve makine öğrenmesi yaklaşımlarının karşılaştırılması
A comparison of empirical models and machine learning approaches in the prediction of output parameters of photovoltaic panels
HATİP GÖZAL
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH BAYRAK