Güneş enerjisi santrali elektrik üretimi tahmininin makine öğrenmesi algoritmalarıyla gerçekleştirilmesi

Basit Öğe Kaydı
dc.contributor.advisorEfe, Ömer Faruk
dc.contributor.authorJalılov, Vugar
dc.date.accessioned2026-02-08T15:48:39Z
dc.date.available2026-02-08T15:48:39Z
dc.date.issued2025
dc.departmentBTÜ, Lisansüstü Eğitim Enstitüsü, Akıllı Sistemler Mühendisliği Ana Bilim Dalı
dc.description.abstractBu çalışmanın amacı, bir güneş enerjisi santralinde elektrik üretimini makine öğrenmesi algoritmaları (XGBoost, LightGBM, CatBoost) kullanarak tahmin etmek ve bu modellerin performanslarını karşılaştırmaktır. Çalışmada, saatlik ve günlük elektrik üretim verileri analiz edilmiş ve her bir modelin tahmin doğruluğu MAE, MSE ve R² gibi metrikler ile değerlendirilmiştir. Ayrıca, modellerin farklı üretim seviyelerindeki tahminleri günlük bazda grafiklerle desteklenmiştir. Elde edilen bulgular, XGBoost algoritmasının günlük tahminlerde en düşük ortalama hataya (MAE: 3.594) sahip olduğunu, ancak veri setindeki varyansın açıklanmasında sınırlı bir başarı (R²: 0.362) performansı ortaya koymuştur. LightGBM algoritması, veri varyansının %56'sını açıklayarak (R²: 0.561) diğer modellere göre daha geniş bir kapsama sahip olmuş, ancak hata değerleri (MAE: 2024,321 ve MSE: 8.143.625,10) görece daha yüksek bulunmuştur. CatBoost algoritması ise R²: 0.527 ve MAE: 2123,28 değerleri ile orta düzeyde bir performans sergilemiş; yüksek üretim seviyelerinde tutarlı sonuçlar verirken düşük üretim seviyelerinde daha yüksek hata oranları göstermiştir. Genel olarak, modellerin yüksek ve orta üretim seviyelerinde başarılı olduğu, ancak düşük üretim seviyelerinde ve ani dalgalanmalarda performanslarının sınırlı kaldığı belirlenmiştir. Sonuç olarak, güneş enerjisi santralinden elektrik üretimini tahmin etmede kullanılan makine öğrenmesi algoritmaları, özellikle yüksek üretim dönemlerinde başarılı sonuçlar gösterirken, düşük üretim seviyelerinde hata oranlarının arttığı görülmüştür.
dc.description.abstractThe aim of this study is to predict electricity production in a solar power plant using machine learning algorithms (XGBoost, LightGBM, CatBoost) and compare the performances of these models. In the study, hourly and daily electricity production data were analyzed and the prediction accuracy of each model was evaluated with metrics such as MAE, MSE and R². In addition, the predictions of the models at different production levels were supported with graphs on a daily basis. The findings showed that the XGBoost algorithm had the lowest average error (MAE: 2.438) in daily predictions, but limited success (R²: 0.362) in explaining the variance in the data set. The LightGBM algorithm had a wider coverage than the other models by explaining 56% of the data variance (R²: 0.561), but the error values (MAE: 2024.321 and MSE: 8,143,625.10) were found to be relatively higher. The CatBoost algorithm, on the other hand, exhibited a moderate performance with R²: 0.527 and MAE: 2123.28 values; while it provided consistent results at high production levels, it showed higher error rates at low production levels. In general, it was determined that the models were successful at high and medium production levels, but their performance was limited at low production levels and sudden fluctuations. As a result, while the machine learning algorithms used to estimate electricity production from solar power plants showed successful results, especially during high production periods, it was observed that error rates increased at low production levels.
dc.identifier.endpage89
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=5NNqZKwwGohPh6_KCcfp-oU16D8uaXGh6q3e3Aq6HXxaQckDNkW-n9l3NaMm7GXI
dc.identifier.urihttps://hdl.handle.net/20.500.12885/6280
dc.identifier.yoktezid944977
dc.language.isotr
dc.publisherBursa Teknik Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TEZ_20260207
dc.subjectElektrik ve Elektronik Mühendisliği
dc.subjectElectrical and Electronics Engineering
dc.titleGüneş enerjisi santrali elektrik üretimi tahmininin makine öğrenmesi algoritmalarıyla gerçekleştirilmesi
dc.title.alternativeRealization of solar power plant electricity production estimation with machine learning algorithms
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu