Çatı üstü fotovoltaik santraller için yapay zeka tabanlı enerji üretim tahmini
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
In this study, two different models, XGBoost and deep learning algorithm RNN, were used to predict energy production amounts in rooftop photovoltaic power plants. Our goal is to accurately predict future energy production amounts based on historical data, optimize plant performance, and develop energy management strategies. XGBoost is a popular machine learning technique based on gradient boosting and decision tree algorithms, providing high predictive power and speed advantages. Especially excelling in learning complex relationships and improving efficiency in energy production forecasting. Deep learning algorithms, on the other hand, are artificial intelligence methods that perform strongly with large data sets and offer data-driven solutions. In this study, especially deep learning model RNN were used. Recurrent neural networks are suitable for analyzing sequential data and are used to predict future data by considering past information. In the study, an evulation was made on the daily frequency data set between 01.03.2021 and 30.03.2024 of the solar power plant installed in Balıkesir provience with a capacity of 1 MW. This data includes the generation amounts recorded by solar power plants at different time intervals. The data set includes various features such as date, time, solar radiation, temperature, and weather conditions. These features are included in the model as fundamental factors affecting energy production amounts. In conclusion, the deep learning algorithm considered is the Renewable Neural Networks RNN, which is evaluated with another application model, the machine learning algorithm XGBoost. The performance of the dataset forecasting results was evaluated with 4 different error metrics, (NMSE, MAPE, R2, MedAe). The XGBoost model provided higher accuracy in solar power generation forecasting compared to RNN, demonstrating the importance of data-driven approaches in this field. This thesis provides valuable information in terms of strategic planning and resource management in the renewable energy sector. Increasing the accuracy of energy production forecasts will contribute to ensuring energy supply security and reducing energy costs. Additionally, these approaches can be applied to the management of other renewable energy sources, thus playing an important role in the transition to a more sustainable energy system.
In this study, two different models, XGBoost and deep learning algorithm RNN, were used to predict energy production amounts in rooftop photovoltaic power plants. Our goal is to accurately predict future energy production amounts based on historical data, optimize plant performance, and develop energy management strategies. XGBoost is a popular machine learning technique based on gradient boosting and decision tree algorithms, providing high predictive power and speed advantages. Especially excelling in learning complex relationships and improving efficiency in energy production forecasting. Deep learning algorithms, on the other hand, are artificial intelligence methods that perform strongly with large data sets and offer data-driven solutions. In this study, especially deep learning model RNN were used. Recurrent neural networks are suitable for analyzing sequential data and are used to predict future data by considering past information. In the study, an evulation was made on the daily frequency data set between 01.03.2021 and 30.03.2024 of the solar power plant installed in Balıkesir provience with a capacity of 1 MW. This data includes the generation amounts recorded by solar power plants at different time intervals. The data set includes various features such as date, time, solar radiation, temperature, and weather conditions. These features are included in the model as fundamental factors affecting energy production amounts. In conclusion, the deep learning algorithm considered is the Renewable Neural Networks RNN, which is evaluated with another application model, the machine learning algorithm XGBoost. The performance of the dataset forecasting results was evaluated with 4 different error metrics, (NMSE, MAPE, R2, MedAe). The XGBoost model provided higher accuracy in solar power generation forecasting compared to RNN, demonstrating the importance of data-driven approaches in this field. This thesis provides valuable information in terms of strategic planning and resource management in the renewable energy sector. Increasing the accuracy of energy production forecasts will contribute to ensuring energy supply security and reducing energy costs. Additionally, these approaches can be applied to the management of other renewable energy sources, thus playing an important role in the transition to a more sustainable energy system.
Açıklama
Anahtar Kelimeler
Science and Technology, Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering, Mühendislik Bilimleri, Engineering Science, Bilim ve Teknoloji
