Güneş enerjisinin kısa dönem tahmini için derin öğrenme tabanlı bir metodun geliştirilmesi
Development of a deep learning-based method for short-term forecasting of solar energy
- Tez No: 730823
- Danışmanlar: DOÇ. DR. ÖKKEŞ FATİH KEÇECİOĞLU, DR. ÖĞR. ÜYESİ HAKAN AÇIKGÖZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Güneş Enerjisi Tahmini, Derin Öğrenme, Makine Öğrenmesi, Varyasyonel Mod Ayrıştırma, Güneş enerjisi, Varyasyonel yöntemler, Solar Energy Forecasting, Deep Learning, Machine Learning, Variational Mode Decomposition, Solar energy, Variational methods
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Artan insan nüfusu ile birlikte enerji ihtiyacı da her geçen gün artmaktadır. Gerekli enerji ihtiyacına karşılık yenilenebilir enerji kaynaklarının kullanımı kaçınılmaz bir hale gelmiştir. Bu enerji kaynaklarından bir tanesi olan güneş enerjisi, sürdürülebilir ve kolay erişilebilir olması sebebiyle tercih edilmektedir. Bu tez çalışmasında öncelikle birer saatlik aralıklar ile ölçülmüş olan güneş enerjisi güç verisi ile güneş radyasyonu, sıcaklık, nem ve yağış miktarı gibi meteorolojik parametreler toplanmıştır. Elde edilen verilerden güç verisi varyasyonel mod ayrıştırma yöntemi ile alt bileşenlerine ayrılmıştır. Düzenlenen bu verilerin tümü ile bir veri seti oluşturulmuştur. Ayrıca veri seti içinden seçilen bir yıllık periyottaki veriler mevsimler baz alınarak bölünmüştür. Böylece ilkbahar veri seti, yaz veri seti, sonbahar veri seti ve kış veri seti olmak üzere dört ayrı veri seti daha oluşturulmuştur. Oluşturulan veri setlerinin her biri ile zaman ufkunun 1-3 saat ilerisi için güneş enerjisi tahmin çalışmaları yapılmıştır. Önerilen derin öğrenme tabanlı Uzun-Kısa Süreli Bellek (UKSB) tahmin modeli makine öğrenmesi tabanlı gauss süreç regresyonu, destek vektör makinası, yapay sinir ağı ve doğrusal regresyon gibi tahmin yöntemleriyle karşılaştırılmıştır. Performans değerlendirme ölçütleri Korelasyon katsayısı (R), Ortalama Karasel Hata (RMSE) ve Ortalama Mutlak Hata (MAE) olarak seçilmiştir. Oluşturulan veri setleri ile yapılan güneş enerjisi tahmin çalışmaları sonucunda derin öğrenme tabanlı UKSB yönteminin zaman ufkunun 1-3 saat ilerisi için karşılaştırma yöntemlerinden daha üstün ve güvenilir tahmin performansı sergilediği performans ölçütlerindeki sonuçlar ile gösterilmiştir.
Özet (Çeviri)
The need for energy is also increasing day by day with the increasing human population. In response to the necessary energy needs, the use of renewable energy sources has become inevitable. Solar energy, one of these renewable energy sources, is preferred because it is sustainable and easily accessible. In this thesis, solar power data and meteorological parameters such as solar radiation, temperature, humidity and precipitation, which were measured at onehour intervals, are collected. From the collected data, the power data is divided into its subcomponents with the variational mode decomposition method. A dataset is combined with all of these data. In addition, the data in a one-year period selected from the dataset are divided on the basis of seasons. Thus, four more data sets are combined, named spring dataset, summer dataset, autumn dataset, and winter dataset. With the all datasets that is combined, solar energy forecasting studies are carried out for 1-3 hours ahead of the time horizon. The proposed deep learning-based Long Short-Term Memory (LSTM) forecasting model is compared with machine learning-based forecasting methods such as gaussian process regression, support vector machine, artificial neural network and linear regression. Performance evaluation criteria are chosen as Correlation coefficient (R), Mean Square Error (RMSE), and Mean Absolute Error (MAE). As a result of solar energy forecasting studies made with the combined datasets, it has been shown by the performance criteria results that the deep learning-based LSTM method exhibits superior and reliable estimation performance than the comparison methods for 1-3 hours ahead of the time horizon.
Benzer Tezler
- Detection and evaluation of sudden stratospheric warming : A case study of water vapor transport
Stratosferik ani ısınmaların tespiti ve değerlendirilmesi: Su buharı taşınımı örnek olay incelemesi
SİMLA DURMUŞ
Doktora
İngilizce
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ DEMİRHAN
- Kısa dönem enerji talep tahmini ve yük dağıtımı
Short-term energy demand forecasting and load dispatch
FATİH MEHMET ŞENALP
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAYRAM AKDEMİR
- Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini
Forecasting short-term grid electricity load in homes that were connected to the smart grid by a novel method: recurrent linear regression
HAZRET TEKİN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK ERTUĞRUL
- Uzun dönem yük tahmini: Manisa örneği
The long term load forecasting: Manisa city
AHMET SOM
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiDumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CELAL YAŞAR
- Short-term load forecasting by using artificial neural networks
Yapay sinir ağları kullanarak kısa süreli yük tahmini
USMAN NAJEEB KHAN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiYRD. DOÇ. DR. CAVİT FATİH KÜÇÜKTEZCAN