Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması
Comparison of solar panel energy production forecast with machine learning methods
- Tez No: 747192
- Danışmanlar: DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Güneş enerjisi, Makine öğrenmesi yöntemleri, Tahminleme, Yenilenebilir enerji, Solar energy, Machine learning methods, Forecasting, Renewable energy
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Amasya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ülkeler elektrik enerjisi ihtiyacının yükselmesi nedeniyle ucuz ve güvenilir yenilenebilir enerji üretimine yönelmiştir. Son yıllara bakıldığında yenilebilir enerji kaynakları içerisinden fotovoltaik (FV) enerji sistemleri ön plana çıkmaktadır. Üretilen güneş enerjisinin makine öğrenmesi yöntemleri ile tahmininde güneş radyasyonu, basınç, sıcaklık gibi meteorolojik veriler etkili faktörlerdir. Bu faktörler de hava şartlarına göre değişkenlik gösterdiğinden, güneş enerjisi santrallerinde geleceğe dair üretilebilecek enerji miktarını tahmin etmek zordur. Güneş panellerinin kurulumu yapılmadan önce ışınım şiddetine göre ortaya çıkacak elektrik enerji potansiyelinin hesaplanması için farklı yöntemler geliştirilmiştir. Bu yöntemlerden birisi de son zamanlarda yaygınlaşan makine öğrenme algoritmalarının kullanılarak model oluşturulması ve sonuçların değerlendirilmesidir. Bu tez çalışmasında; Amasya Üniversitesi İpekköy yerleşkesindeki güneş panellerinden saatlik üretilen enerjinin, makine öğrenmesi modelleri kullanılarak tahmin yapılmaya çalışılmıştır. Meteorolojik faktörlerin enerji üretimindeki etkileri analiz edilmiştir. Değerlendirmeler için Python programlama dilinin kütüphaneleri kullanılarak makine öğrenmesi gerçekleştirilmiştir. Yapılan çalışmada, veri seti olarak 2016 yılı Amasya bölgesine ait sıcaklık, güneş radyasyonu, azimut açısı ve üretilen enerji verileri kullanılmıştır. Çalışmadaki verilerin %80'i eğitim veri seti için, %20'si ise test verisi için kullanılmıştır. Veri eğitimi için makine öğrenmesi algoritmalarından Lojistik Regresyon, AdaBoost, Naive Bayes, K-En Yakın Komşu, Rastgele Orman, Destek Vektör Regresyonu ve Yapay sinir ağları algoritmaları kullanılmıştır. Sonuç olarak elde edilen veriler kullanılarak güneş enerjisi potansiyeli başarılı bir şekilde tahmin edilmiştir.
Özet (Çeviri)
Countries have turned to cheap and reliable renewable energy production due to the increase in electricity energy needs. Photovoltaic (PV) energy systems have been a prevalent one among these energy resources in recent years. In the estimation of generated solar energy using machine learning methods, meteorological data like solar radiation, pressure, and temperature are influential elements. The future generation of energy in solar power plants can be quite difficult to predict since these elements vary depending on weather conditions. Methods have been developed to calculate potential electricity generation from radiation energy before the installation of plants. One of these methods is to create a model and obtain simulation results by using machine learning algorithms that have become widespread recently. In this thesis study; It was aimed to predict the hourly electric power generation in the photovoltaic panels in Amasya University, Ipekkoy campus, using machine learning models. The effects of meteorological factors on energy production were analyzed. Machine learning was carried out using the libraries of the python programming language for the evaluations. In the study, temperature, solar radiation, azimuth angle and produced energy data of 2016 Amasya region were used as data set. 80% of the data in the study were used for the learning dataset, while 20% were used for testing data. For data learning, machine learning algorithms of Linear Regression models, Support Vector Regression, AdaBoost Regressor, K-Nearest Neighbors, Random Forest, Naive Bayes, and Artificial Neural Network were used. As a result, the solar energy potential was successfully estimated using the obtained data.
Benzer Tezler
- 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
- Hourly global solar radiation estimation using empirical and machine learning models in Eskişehir
Makine öğrenme ve ampirik modeller kullanılarak Eskişehir'de saatlik küresel güneş radyasyonunun tahmini
MASSA ALSAFADI
Yüksek Lisans
İngilizce
2020
Mühendislik BilimleriAnadolu ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMMÜHAN BAŞARAN FİLİK
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Meteorolojik verilerden yararlanarak güneş enerji santralinin çıkış gücü tahmini
Forecasting output of a solar power plant using meteorological data
ELİF YÖNT AYDIN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HEYBET KILIÇ
- Farklı makine öğrenme yöntemleri ile güneş panellerinin enerji üretim tahmini
Estimation of solar panel energy production with different machine learning methods
ZEKİ ARSLAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET EMİN ŞAHİN