Makine öğrenimi teknikleri kullanarak güneş radyasyon tahmini ile entegre edilmiş optimum ev enerji yönetim sistemi tasarımı
Design of an optimal home energy management system integrated with solar radiation forecasting using machine learning techniques
- Tez No: 992801
- Danışmanlar: DR. ÖĞR. ÜYESİ BAYRAM KÖSE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Elektrik enerji sistemleri, Güneş radyasyonu, Yapay zeka ve makine öğrenmesi dersi, Electrical energy systems, Solar radiation, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İzmir Bakırçay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, güneş radyasyonunun kısa vadeli tahmini için makine öğrenmesi teknikleri kullanılarak, konut ölçekli optimum ev enerji yönetim sistemi tasarımı gerçekleştirilmiştir. İzmir'in Menemen bölgesine ait 2020–2024 yılları arasındaki saatlik meteorolojik veriler temel alınarak, Çok Değişkenli Doğrusal Regresyon (MLR), Yinelemeli Sinir Ağları (RNN) ve Uzun-Kısa Vadeli Bellek (LSTM) mimarileriyle dört farklı değişken kombinasyonuna dayalı tahmin modelleri (M1–M4) geliştirilmiştir. Çalışmada; sıcaklık, bağıl nem, atmosfer basıncı, rüzgar hızı ve yönü, güneşin doğuş ve batış saatleri gibi çok boyutlu meteorolojik parametreler modele girdi olarak sunulmuştur. Modellerin performansı, Ortalama Kare Hata (MSE), Ortalama Mutlak Hata (MAE) ve Determinasyon Katsayısı (R²) gibi istatistiksel ölçütlerle değerlendirilmiştir. Elde edilen sonuçlar, RNN tabanlı modellerin zaman serisinin dinamik doğasını daha etkin modelleyerek, MLR'ye göre daha yüksek tahmin doğruluğu sağladığını göstermektedir. En başarılı performans, RNN-M1 modeliyle elde edilmiş olup MSE: 2487.7, MAE: 2909.2 ve R²: 0.91481 değerlerine ulaşılmıştır. Geliştirilen tahmin modelleri, teorik olarak yapılandırılmış bir ev enerji yönetim sistemine entegre edilerek, sistemin yük yönetimi, batarya optimizasyonu ve şebeke etkileşimi üzerindeki etkileri simülasyon ortamında analiz edilmiştir. Bu analizler kapsamında enerji maliyeti, kendi-tüketim oranı ve şebeke gerilimi gibi performans göstergeleri kullanılmıştır. Batarya kapasitesi, yük profili ve kullanıcı davranışı gibi unsurlar varsayımsal senaryolarla temsil edilmiştir. Bu tez, güneş radyasyonu tahmini konusunda farklı makine öğrenmesi yaklaşımlarının karşılaştırmalı değerlendirmesini sunmakta ve geliştirilen modellerin ev ölçeğinde enerji yönetimine entegrasyonuyla yenilenebilir enerji sistemlerinin sürdürülebilirliğine katkı sağlamaktadır. Elde edilen bulguların, özellikle mikrogrid planlaması ve konut tipi enerji uygulamaları gibi alanlarda veri destekli karar verme süreçlerine katkı sağlayacak bir referans oluşturması hedeflenmektedir.
Özet (Çeviri)
In this thesis, a machine learning-based approach is proposed for short-term solar radiation forecasting with the aim of designing an optimal residential energy management system. Using hourly meteorological data collected from the Menemen district of İzmir between 2020 and 2024, four different predictive models (M1–M4) were developed based on multiple variable combinations, utilizing Multiple Linear Regression (MLR), Recurrent Neural Networks (RNN), and Long Short-Term Memory (LSTM) architectures. Key input parameters included temperature, relative humidity, atmospheric pressure, wind speed and direction, as well as sunrise and sunset times. The performance of the models was evaluated using statistical metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), and the coefficient of determination (R²). The results demonstrated that RNN-based models outperformed traditional MLR models by more effectively capturing the temporal dynamics of solar radiation. Among all models, the RNN-M1 model achieved the best predictive performance with MSE: 2487.7, MAE: 2909.2, and R²: 0.91481. The developed models were integrated into a theoretically designed home energy management system, and their impacts on load control, battery optimization, and grid interaction were analyzed through simulation. System-level performance indicators such as energy cost, self-consumption ratio, and grid voltage variability were used for evaluation. Assumptions regarding battery capacity, load profile, and user behavior were incorporated to simulate real-world conditions. This study presents a comparative analysis of machine learning techniques for solar radiation forecasting and demonstrates their potential integration into residential energy management systems. The findings are expected to contribute to data-driven decision-making processes in areas such as microgrid design and smart household energy optimization.
Benzer Tezler
- Makine öğrenimi teknikleri kullanarak güneş radyasyonu tahmini
Solar radiation forecasting using machine learning techniques
MUSTAFA TİMUR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiYenilenebilir Enerji Kaynakları Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MEHMET EMİN ASKER
- Makine öğrenimi ile güneş enerjisi santrali üretim tahmini
Solar power plant production forecast with machine learning
MUHAMMED HALEF
Yüksek Lisans
Türkçe
2022
EnerjiErciyes ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALTUK BUĞRA SELÇUKLU
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Predicting solar energy production using incremental machine learning techniques
Kademeli makine öğrenmesi teknikleri kullanarak güneş enerjisi üretimi tahmini
SEMANUR KAPUSIZOĞLU
Yüksek Lisans
İngilizce
2023
EnerjiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA DİNLER
- 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