Loading…
Çatı üstü fotovoltaik santraller için yapay zeka tabanlı enerji üretim tahmini/
Bu çalışmada, çatı üstü fotovoltaik santrallerde enerji üretim miktarlarının tahmini için iki farklı model olan XGBoost ve derin öğrenme algoritması RNN kullanılmıştır. Çalışmanın amacı, geçmiş verilere dayanarak gelecekteki enerji üretim miktarlarını doğru bir şekilde öngörmek, santral performansın...
| Main Author: | |
|---|---|
| Corporate Authors: | , |
| Other Authors: | |
| Format: | Thesis |
| Language: | Turkish |
| Subjects: |
| Summary: | Bu çalışmada, çatı üstü fotovoltaik santrallerde enerji üretim miktarlarının tahmini için iki farklı model olan XGBoost ve derin öğrenme algoritması RNN kullanılmıştır. Çalışmanın amacı, geçmiş verilere dayanarak gelecekteki enerji üretim miktarlarını doğru bir şekilde öngörmek, santral performansını optimize etmek ve enerji yönetim stratejilerini geliştirmektir. XGBoost, gradient boosting ve karar ağacı algoritmalarına dayanan, yüksek tahmin gücü ve hız avantajı sağlayan popüler bir makine öğrenme tekniğidir. Özellikle, enerji üretim tahminlerinde karmaşık ilişkileri öğrenme ve verimliliği artırma yeteneği ile öne çıkar. Derin öğrenme algoritmaları, özellikle büyük veri setleri ile çalışırken güçlü performans sergileyen ve veri odaklı çözümler sunan yapay zeka yöntemleridir. Bu çalışmada, özellikle yeniden döngülü sinir ağları (RNN'ler) kullanılmıştır. Yeniden döngülü sinir ağları, sıralı verilerin analizi için uygundur ve geçmiş bilgiyi dikkate alarak gelecekteki verileri tahmin etmede kullanılır. Bu çalışmada, Balıkesir ilinde kurulu ve 1 MW kapasite gücüne sahip güneş enerji santraline ait günlük frekanslı 01.03.2021 – 30.03.2024 zaman dilimi arasındaki veri seti üzerinde değerlendirme yapılmıştır. Bu veriler, güneş enerjisi santrallerinin farklı zaman dilimlerinde kaydettiği üretim miktarlarını içerir. Veri seti, tarih, saat, güneş ışınımı, sıcaklık, hava durumu gibi çeşitli özellikleri barındırır. Bu özellikler, enerji üretim miktarını etkileyen temel faktörler olarak modele dahil edilmiştir. Sonuç olarak, ele alınan derin öğrenme algoritması Yenilenebilir Sinir Ağları RNN olup, diğer uygulama modeli olan makine öğrenme algoritması XGBoost ile değerlendirilmiştir. Veri seti tahminleme sonuçları performansı, 4 farklı hata metrik ile değerlendirilmiştir, (NMSE, MAPE, R2, MedAe). XGBoost modelinin RNN'e göre güneş enerjisi üretim tahmininde yüksek doğruluk sağlamış ve bu alandaki veri odaklı yaklaşımların önemini ortaya koymuştur. Bu çalışma, yenilenebilir enerji sektöründe stratejik planlama ve kaynak yönetimi açısından değerli bilgiler sunmaktadır. Enerji üretim tahminlerinin doğruluğunun artması, enerji arz güvenliğinin sağlanmasına ve enerji maliyetlerinin düşürülmesine katkıda bulunacaktır. Ayrıca, bu yaklaşımlar diğer yenilenebilir enerji kaynaklarının yönetiminde de uygulanabilir, böylece daha sürdürülebilir bir enerji sistemine geçişte önemli bir rol oynayabilir. |
|---|---|
| Physical Description: | 65 sayfa ; 30 sayfa |
| Bibliography: | Kaynakça : 54-59 sayfa |