Fotovoltaik bir santralin farklı çevresel koşullar altındaki güç tahmini için uygun makine öğrenmesi yöntemlerinin araştırılması
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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
Renewable energy sources (RES) have gained significant importance in the energy sector due to the limitations of fossil fuel consumption and its environmental impacts. Photovoltaic (PV) systems offer an environmentally friendly option for generating electricity from solar energy; however, their production levels are influenced by weather conditions. This makes accurate forecasting of solar energy production critical for maintaining the balance between supply and demand in energy systems. This thesis, driven by this necessity, aims to predict the output power of PV panels using weather data and machine learning techniques. In this thesis, two different types of Wavelet Transform (WT), Discrete Wavelet Transform (DWT) and Undecimated Wavelet Transform (UWT), have been used for feature extraction. The extracted features were analyzed using regression and tree- based machine learning models. DWT demonstrated the lowest errors and best performance in Support Vector Regression (SVR) with 0.0001 Mean Squared Error (MSE), 0.0025 Root Mean Squared Error (RMSE), and 0.9992 Coefficient of Determination (R2), while it showed the lowest prediction times (0.0003 sec.) in Ridge Regression (RR) and Lasso Regression (LR), making it more compatible with regression-based models. On the other hand, UWT performed better in tree-based methods such as Random Forest (RF) and Decision Tree (DT). In particular, the UWT- DT model provided the most balanced and excellent result with MSE=0.00004, RMSE=0.0058, and R2=0.9997. The study concluded that appropriate feature extraction and model selection, based on the data type and problem structure, have a decisive impact on prediction accuracy. Model performance was compared using evaluation metrics such as MSE, RMSE, R2, prediction, and training times, with tree-based models standing out due to their lower error rates (MSE=0.00004-0.00009). Regression-based models, on the other hand, offered faster prediction times (LR=0.0002). The study was conducted in MATLAB, utilizing real-time data collected from a 5 kW Grid-Connected PV System and a 2 kW battery group at the Mimar Sinan Campus of Bursa Technical University (BTU), used in the "Renewable Energy Supported Electric Vehicle Charging Station" prototype system. The dataset, consisting of environmental factors, was employed to model the PV panel output power in detail under various weather conditions. The use of real- time measurement data significantly enhances the effectiveness of the forecasting models in practical applications. This thesis demonstrates the applicability of optimized feature extraction methods and machine learning models for the prediction and management of renewable energy systems. The results show that UWT and tree-based models perform better in complex structures, while regression-based models offer time efficiency. In this context, selecting models suitable for the data type is crucial in improving the efficiency of energy systems. Future studies are recommended to explore the use of production forecasts in energy storage and electric vehicle charging stations. Keywords: PV power system, Power prediction, Machine learning, Wavelet transform, Regression models, Decision tree
Renewable energy sources (RES) have gained significant importance in the energy sector due to the limitations of fossil fuel consumption and its environmental impacts. Photovoltaic (PV) systems offer an environmentally friendly option for generating electricity from solar energy; however, their production levels are influenced by weather conditions. This makes accurate forecasting of solar energy production critical for maintaining the balance between supply and demand in energy systems. This thesis, driven by this necessity, aims to predict the output power of PV panels using weather data and machine learning techniques. In this thesis, two different types of Wavelet Transform (WT), Discrete Wavelet Transform (DWT) and Undecimated Wavelet Transform (UWT), have been used for feature extraction. The extracted features were analyzed using regression and tree- based machine learning models. DWT demonstrated the lowest errors and best performance in Support Vector Regression (SVR) with 0.0001 Mean Squared Error (MSE), 0.0025 Root Mean Squared Error (RMSE), and 0.9992 Coefficient of Determination (R2), while it showed the lowest prediction times (0.0003 sec.) in Ridge Regression (RR) and Lasso Regression (LR), making it more compatible with regression-based models. On the other hand, UWT performed better in tree-based methods such as Random Forest (RF) and Decision Tree (DT). In particular, the UWT- DT model provided the most balanced and excellent result with MSE=0.00004, RMSE=0.0058, and R2=0.9997. The study concluded that appropriate feature extraction and model selection, based on the data type and problem structure, have a decisive impact on prediction accuracy. Model performance was compared using evaluation metrics such as MSE, RMSE, R2, prediction, and training times, with tree-based models standing out due to their lower error rates (MSE=0.00004-0.00009). Regression-based models, on the other hand, offered faster prediction times (LR=0.0002). The study was conducted in MATLAB, utilizing real-time data collected from a 5 kW Grid-Connected PV System and a 2 kW battery group at the Mimar Sinan Campus of Bursa Technical University (BTU), used in the "Renewable Energy Supported Electric Vehicle Charging Station" prototype system. The dataset, consisting of environmental factors, was employed to model the PV panel output power in detail under various weather conditions. The use of real- time measurement data significantly enhances the effectiveness of the forecasting models in practical applications. This thesis demonstrates the applicability of optimized feature extraction methods and machine learning models for the prediction and management of renewable energy systems. The results show that UWT and tree-based models perform better in complex structures, while regression-based models offer time efficiency. In this context, selecting models suitable for the data type is crucial in improving the efficiency of energy systems. Future studies are recommended to explore the use of production forecasts in energy storage and electric vehicle charging stations. Keywords: PV power system, Power prediction, Machine learning, Wavelet transform, Regression models, Decision tree
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
