Yazar "Albayram, Mehmet" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Effectiveness of un-decimated wavelet transform in time-series forecasting: A PV power calculation case study in BTU
    (Pergamon-Elsevier Science Ltd, 2026) Albayram, Mehmet; Yilmaz, Alper; Bayrak, Gokay; Basaran, Kivanc; Popescu, Luminita Georgeta
    This study explored the effectiveness of Un-Decimated Wavelet Transform (UWT) in time-series applications, using photovoltaic (PV) calculation as a case study. Real-time measurements of irradiance, ambient temperature, module temperature, and humidity were collected at 5-min intervals from a 1.2 kW rooftop PV system at Bursa Technical University. Wavelet-based features extracted with both UWT and the conventional Discrete Wavelet Transform (DWT) were combined with regression and tree-based learners to build 16 hybrid models. The results show that the shift-invariant UWT significantly improves both feature extraction and prediction accuracy compared to the DWT approach. The UWT-DT model achieved the highest accuracy, with the lowest MSE (0.0001), the lowest RMSE (0.0118) and the highest R-2 coefficient (0.9986). A Wilcoxon signed-rank test applied to paired RMSE values confirmed that these improvements were statistically significant (p value < 0.05 for UWTDT vs DWT-DT). In terms of computational complexity, the 'a` trous' algorithm used in UWT requires convolution operations at every level, resulting in higher processing costs than DWT (12 ms feature extraction per 1024-sample input). However, the full-resolution features provided by UWT significantly reduced the error rates of treebased models, raising R-2 above 0.99.
  • Küçük Resim Yok
    Öğe
    Fotovoltaik bir santralin farklı çevresel koşullar altındaki güç tahmini için uygun makine öğrenmesi yöntemlerinin araştırılması
    (Bursa Teknik Üniversitesi, 2025) Albayram, Mehmet; Bayrak, Gökay
    Yenilenebilir enerji kaynakları (YEK), fosil yakıt tüketiminin kısıtlılığı ve çevresel etkileri nedeniyle enerji sektöründe önemli bir yer edinmiştir. Fotovoltaik (FV) sistemler, güneş enerjisinden elektrik üretmek için çevre dostu bir seçenek sunarken, üretim miktarları hava koşullarından etkilenmektedir. Bu durum, enerji sistemlerindeki arz ve talep dengesini korumak için güneş enerjisi üretiminin doğru bir şekilde tahmin edilmesini kritik hale getirmektedir. Tez çalışması, bu gereklilikten hareketle, FV panellerin çıkış gücünün hava durumu verileri kullanılarak makine öğrenmesi teknikleriyle tahmin edilmesini amaçlamıştır. Bu tezde, özellik çıkarımı için Dalgacık Dönüşümü'nün (DD) iki farklı türü, Ayrık Dalgacık Dönüşümü (ADD) ve Örnek İndirgenmemiş Dalgacık Dönüşümü (ÖİDD), kullanılmıştır. Elde edilen özellikler regresyon ve ağaç tabanlı makine öğrenmesi modelleriyle analiz edilmiştir. ADD, Destek Vektör Regresyonu'nda (DVR), 0,0001 Ortalama Kare Hatası (MSE), 0,0025 Kök Ortalama Kare Hatası (RMSE) ve 0,9992 Determinasyon Katsayısı (R2) değerleriyle ile en düşük hataları ve en iyi performansı gösterirken, Ridge Regresyon (RR) ve Lasso Regresyon (LSR) ise en düşük tahmin sürelerini (0,0003 sn.) alarak regresyon tabanlı modellerle daha uyumlu bulunurken, ÖİDD ise Rastgele Orman (RO) ve Karar Ağacı (KA) gibi ağaç tabanlı yöntemlerde daha yüksek performans göstermiştir. Özellikle ÖİDD-KA modeli MSE=0,00004, RMSE=0,0058 ve R2=0,9997 değerleriyle en dengeli ve mükemmel sonucu vermiştir. Çalışma sonucunda, veri türüne ve problem yapısına uygun özellik çıkarımı ve model seçiminin, tahmin doğruluğu üzerinde belirleyici bir etkisi olduğu belirlenmiştir. Model performansı, MSE, RMSE, R2, tahmin ve eğitim süreleri gibi değerlendirme metrikleriyle karşılaştırılmış, ağaç tabanlı modellerin daha düşük hata oranlarıyla öne çıktığı (MSE=0,00004-0,00009) gözlemlenmiştir. Regresyon tabanlı modeller ise daha hızlı tahmin süresi (LR=0,0002) sunmasıyla dikkat çekmiştir. MATLAB ortamında gerçekleştirilen çalışmada, Bursa Teknik Üniversitesi (BTÜ) Mimar Sinan Kampüsü'nde yer alan 5 kW'lık Şebeke Bağlantılı FV Sistem ve 2 kW'lık akü grubu ile oluşturulan «Yenilenebilir Enerji Destekli Elektrikli Araç Şarj İstasyonu» prototip sisteminden alınan gerçek zamanlı modül sıcaklığı, ortam sıcaklığı, nem ve güneş ışınımı verileri kullanılmıştır. Bu veri seti çevresel faktörlerden meydana gelmekte olup, çeşitli hava koşulları altında FV panellerin çıkış gücünü detaylı bir şekilde modellemek üzere kullanılmıştır. Gerçek zamanlı ölçüm verilerinin kullanılması, tahmin modellerinin pratik uygulamalardaki etkinliğini artırmak için büyük bir avantaj sağlamaktadır. Bu tez, yenilenebilir enerji sistemlerinin tahmini ve yönetimi için optimize edilmiş özellik çıkarım yöntemleri ve makine öğrenmesi modellerinin uygulanabilirliğini ortaya koymuştur. Sonuçlar, ÖİDD ve ağaç tabanlı modellerin, karmaşık yapılarda üstün olduğunu, regresyon tabanlı modellerin ise zaman etkinliği sağladığını göstermiştir. Bu bağlamda, enerji sistemlerinin verimliliğini artırmak için tahmin süreçlerinde veri türüne uygun modellerin seçimi önem taşımaktadır. İlerleyen çalışmalarda, üretim tahminlerinin enerji depolama ve elektrikli araç şarj istasyonları için kullanılması önerilmektedir. Anahtar kelimeler: Fotovoltaik güç sistemi, Güç tahmini, Makine öğrenmesi, Dalgacık dönüşümü, Regresyon modelleri, Karar ağacı