Yorumlanabilir (XAI) makine öğrenme yöntemleri ile fotovoltaik (PV) sistemlerin dahili etkileri kullanılarak verimlik tahmini
Efficiency prediction using the internal effects of photovoltaic (PV) systems with explainable (XAI) machine learning methods
- Tez No: 1005701
- Danışmanlar: DOÇ. DR. GÜLTEKİN IŞIK
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yenilenebilir enerjinin giderek artan ehemmiyeti ve bu alandaki teknolojik ilerlemeler, kullanım alanlarını sürekli genişletmektedir. Bu gelişmeler ışığında, özellikle güneş enerjisi, büyük bir potansiyel barındıran yenilenebilir bir kaynak olarak öne çıkmaktadır. Bu araştırmanın temel hedefi, fotovoltaik (PV) sistemlerin verimliliğini, sistemlerin kendi içsel parametrelerini temel alarak doğru ve güvenilir biçimde öngörmektir. PV sistem verimliliğinin isabetli bir şekilde tahmin edilmesi, enerji yönetimi süreçlerinin etkinliğini artırmanın yanı sıra sürdürülebilir enerji kaynaklarının optimum kullanımını sağlamak adına kritik bir rol oynamaktadır. Bu doğrultuda, Utrecht Üniversitesi'nin açık alan PV test sahasından elde edilen panel verileri kullanılarak çeşitli makine öğrenmesi algoritmaları ile modelleme çalışmaları yürütülmüştür. Çalışmada, PV panellerinin açık devre gerilimi (Voc), kısa devre akımı (Isc), maksimum güç noktası gerilimi (Vmpp) ve akımı (Impp), maksimum güç (Pmpp), doluluk faktörü (FF), paralel direnç (Rp), seri direnç (Rs) ve modül sıcaklığı (Tm) gibi içsel değişkenleri girdi olarak kullanılmış; bu veriler XGBoost, CatBoost, LightGBM, AdaBoost ve Histogram Tabanlı Gradyan Artırma gibi makine öğrenmesi algoritmalarıyla işlenmiştir. Yapılan analizler neticesinde, XGBoost algoritması en düşük hata oranı (RMSE = 0.008) ve en yüksek determinasyon katsayısı (R² = 0.99) ile diğer modellere kıyasla üstün bir performans sergilemiştir. Modelin karar mekanizmalarının şeffaflığını artırmak ve yorumlanabilirliğini sağlamak amacıyla SHAP ve LIME gibi Açıklanabilir Yapay Zekâ (XAI) tekniklerinden faydalanılmış, bu sayede en etkili öznitelikler saptanarak modelin karar alma süreçleri aydınlatılmıştır. Araştırmanın ilerleyen aşamasında, geliştirilen modelin tahmin yeteneğini daha da geliştirmek için çeşitli veri çoğaltma (artırma) yöntemleri tatbik edilmiştir. Bu kapsamda, zaman serisi kaydırma, ölçekleme, REG-SMOTE ile dengesiz veri setlerinin dengelenmesi ve GAN tabanlı sentetik veri üretimi gibi teknikler aracılığıyla veri seti zenginleştirilmiştir. Uygulanan bu veri zenginleştirme stratejileri neticesinde, tahmin doğruluğunda kayda değer bir iyileşme sağlanmıştır. Bu tez, sadece yüksek doğruluklu tahmin modelleri sunmakla kalmayıp, aynı zamanda açıklanabilir yapay zekâ ve veri işleme metodolojileri alanlarında literatüre önemli katkılarda bulunmaktadır. Elde edilen bulgular, fotovoltaik enerji santrallerinin daha etkin projelendirilmesi, sistem verimliliğinin önden kestirilmesi ve akıllı enerji yönetim sistemlerinin oluşturulması için değerli bir referans teşkil etmektedir.
Özet (Çeviri)
The increasing significance of renewable energy and the ongoing technological advancements in this field are continually expanding its areas of application. In this context, solar energy has emerged as a prominent renewable resource with substantial potential. The primary objective of this research is to accurately and reliably predict the efficiency of photovoltaic (PV) systems based on their intrinsic parameters. Accurate prediction of PV system efficiency plays a critical role not only in enhancing the effectiveness of energy management processes but also in ensuring the optimal utilization of sustainable energy resources. To this end, modeling studies have been conducted using panel data obtained from the open-field PV test site at Utrecht University, employing various machine learning algorithms. In this study, intrinsic variables of PV panels—such as open-circuit voltage (Voc), short-circuit current (Isc), voltage at maximum power point (Vmpp), current at maximum power point (Impp), maximum power (Pmpp), fill factor (FF), parallel resistance (Rp), series resistance (Rs), and module temperature (Tm)—were used as input features. These variables were processed using machine learning algorithms including XGBoost, CatBoost, LightGBM, AdaBoost, and Histogram-Based Gradient Boosting. The analysis revealed that the XGBoost algorithm outperformed the others, demonstrating the lowest error rate (RMSE = 0.008) and the highest coefficient of determination (R² = 0.99). To enhance the transparency and interpretability of the model's decision-making processes, Explainable Artificial Intelligence (XAI) techniques such as SHAP and LIME were employed. These methods enabled the identification of the most influential features and illuminated the inner workings of the model's predictions. In the subsequent stages of the research, various data augmentation techniques were implemented to further improve the predictive capabilities of the developed model. In this scope, the dataset was enriched using techniques such as time series shifting, scaling, balancing imbalanced datasets with REG-SMOTE, and generating synthetic data via GAN-based methods. As a result of these data enhancement strategies, a notable improvement in prediction accuracy was achieved. This thesis not only presents highly accurate predictive models but also makes significant contributions to the literature in the fields of explainable artificial intelligence and data processing methodologies. The findings serve as a valuable reference for the more effective planning of photovoltaic power plants, the proactive estimation of system efficiency, and the development of intelligent energy management systems.
Benzer Tezler
- Açıklanabilir yapay zekâ yöntemlerine dayalı bilgisayar destekli tahmin modelinin geliştirilmesi: metabolomik teknolojileri üzerine uygulaması
Development of a computer-aided predictive model based on explainable artificial intelligence methods: application on metabolomics technologies
FATMA HİLAL YAĞIN
Doktora
Türkçe
2024
Biyoistatistikİnönü ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. HARİKA GÖZDE GÖZÜKARA BAĞ
DR. ÖĞR. ÜYESİ DİNÇER GÖKSÜLÜK
- Öğrencinin akademik performansını tahmin etmede açıklanabilir yapay zekâ ve makine öğrenimi kullanımı
Using explainable artificial intelligence and machine learning to predict student academic performance
MÜJDE DİLEK SOBUTAY
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriBartın ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. ÜMMÜHAN AVCI
- Medikal görüntülerin analizinde dönüşüm tabanlı modellere açıklanabilir yapay zeka yaklaşımlarının uygulanması
Utilizing explainable artificial intelligence approaches to transformer based models in medical image analysis
DELAL ŞEKER
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULNASIR YILDIZ
- Automatic Alzheimer detecion system based on deep neural network using MRI images
MRI görüntülerini kullanarak derin sinir ağına dayalı otomatik Alzheimer tespit sistemi
MUSTAFA LATEEF FADHIL JUMAILI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH SONUÇ
- Genomik verilerin prostat kanseri sürecindeki etkisinin incelenmesi
Examining the impact of genomic data on the prostate cancer process
AHMET DEMİRÖZ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NESRİN AYDIN ATASOY