Predicting solar energy production using incremental machine learning techniques
Kademeli makine öğrenmesi teknikleri kullanarak güneş enerjisi üretimi tahmini
- Tez No: 840101
- Danışmanlar: DR. ÖĞR. ÜYESİ DERYA DİNLER
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Enerji, hayatın ve ekonominin önemli bir parçası olup, nüfusa bağlı olarak hızla artan bir talebe sahiptir. Fosil yakıtlar gibi yenilenemez kaynaklar hızla tükenmekte ve talebi karşılayamamaktadır, bu da enerji sistemlerinin farklı kaynaklar aramasına neden olmaktadır. Fosil yakıtların kullanımıyla ortaya çıkan çevresel sorunlar ve dünyaya olan etkileri göz önüne alındığında, güneş ve rüzgar gibi temiz ve yenilenebilir enerji kaynaklarına olan eğilim artmaktadır. Güneş enerjisi, bol miktarda bulunması ve uygulanabilirliği kolay olması nedeniyle yenilenebilir enerji piyasasında önemli bir paya sahiptir. Üretilen güneş enerjisi miktarı, sıcaklık, güneşin açısı, fotovoltaik radyasyon, bulut miktarı ve konum gibi birçok faktöre bağlıdır. Güneş enerjisi için bu faktörleri dikkate alarak geliştirilen tahmin modelleri, verimli üretim ve dağıtım ağı oluştururken önemli bir role sahiptir. Teknolojik ilerlemelerle birlikte, makine öğrenmesi modelleri diğer tahminleme yöntemleri arasında giderek daha popüler hale gelmektedir. Makine öğrenmesi, bilgisayarların açıkça kodlanmadan tahmin yapmasını sağlayan matematiksel algoritmalar ve modeller oluşturmayı hedefler. Makine öğrenimi modelleri farklı şekillerde eğitilebilir. Geleneksel eğitim yaklaşımı, veriyi eğitim ve test verisi olarak ayırarak eğitim verisinin tümünü tek seferde kullanır.. Çevrimiçi (Kademeli) öğrenme, tahmin modelini eğitim için ayrılan veriyle birer birer besleme prensibidir. Bu, verilerdeki desenlerin değişken olduğu ve bu varyasyonları yakalamanın önemli olduğu birçok sektörde kullanılır. Çevirimiçi eğitim prensibi, denetimli, denetimsiz ve birçok diğer veri madenciliği algoritmasına adapte edilebilir. Bu çalışmada, çevirimiçi eğitim yaklaşımının güneş enerjisi üretimindeki uygunluğu, 6 farklı makine öğrenmesi modeli (Doğrusal Regresyon, Lasso Regresyon, Ridge Regresyon, Karar Ağacı, Rastgele Orman ve Yapay Sinir Ağı) kullanılarak test edilmiştir. Çevrimiçi modellerin güneş enerjisi tahminlerinde geleneksel modellere göre daha iyi performans gösterip göstermediğini değerlendirmek için Amerikan Meteoroloji Derneği tarafından sağlanan Kaggle platformundaki açık kaynaklı bir yarışma verisi kullanılmıştır. Ortalama Mutlak Hata değerlerine göre çevirimiçi modeller daha başarılı bulunmuştur.
Özet (Çeviri)
Energy is a significant part of life and the economy, with an aggressively increasing demand due to population growth. Non-renewable sources, such as fossil fuels, are rapidly depleting and cannot meet the demand, leading to a reliance on different energy sources. Considering the environmental effects of fossil fuels, many individuals are leaning towards cleaner and renewable energy sources, such as solar and wind power. Solar power holds an important share due to its abundance and ease of implementation. The amount of solar energy produced depends on various factors, such as temperature, photovoltaic radiation, cloud cover, and location. Predictive models considering those factors for solar energy play a crucial role in creating efficient production and distribution networks. Machine learning models are becoming increasingly popular among other predictive approaches thanks to technological advancements. Machine learning is an area of programming that creates mathematical algorithms and models, enabling computers to learn and make predictions without explicit programming. There are different training approaches for machine learning models. The traditional approach divides data into training and testing sets and uses all training data at once. Online (Incremental) learning is the principle of feeding the prediction model with one data point from training set at a time, often used in sectors where data patterns are variable. This principle can be adapted to various data mining algorithms, including supervised and unsupervised learning. In this study, the suitability of the incremental training approach is tested on solar energy production using six different machine learning models (Linear Regression, Lasso Regression, Ridge Regression, Decision Tree, Random Forest, and Artificial Neural Network). An open-source competition on the Kaggle platform, provided by the American Meteorological Society, is utilized to assess whether online models can outperform traditional models in solar energy predictions. Incremental training methods found to perform better than traditional methods in terms of Mean Absolute Error.
Benzer Tezler
- Building energy efficiency: A data-driven machine learning approach for energy optimization
Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı
AHMAD REZA DARABI
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Doğal dolaşımlı, kendinden depolu güneş toplayıcısının ısıl analizi
The Thermal analysis of a novel built-in-stroge solar water heater
İ.NECMİ KAPTAN
- Deep learning algorithm based maximum power tracking technique for PV system
Fotovoltaik sistemler için derin öğrenme algoritmasına dayalı maksimum güç noktası takip tekniği
LINA ABDULKAREEM HUSSEIN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABBAS UĞURENVER
- Maksimum güç nokta izleyici için kullanılan artan iletkenlik algoritmasının FPGA-tabanlı kosimülasyonu
Implementing and cosimulation of FPGA-based incrementalconductance algorithm used in maximumpower point tracking (MPPT)
SEYRAN AY
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ALİ ARSERİM
- Güneş enerji santrallerinde makine öğrenmesi algoritmaları ve coğrafi bilgi verileri kullanılarak enerji üretiminin tahminlenmesi
Prediction of energy production in solar power plants usi̇ng machine learning algorithms and geographic information data
EREN POLATCAN
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HAYRİ HAKAN DENLİ