SavedAdd your journal

Journals / Yalvaç Akademi Dergisi / 2024 / Cilt: 9 Sayı: 2

YAPAY ZEKÂ UYGULAMASI İLE GÜNEŞ PANELİ SİSTEMİ ENERJİ ÜRETİMİ TAHMİNİ

Deniz Özer(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ)0009-0008-0805-7518
Bekir Aksoy(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI)0000-0001-8052-9411
Pages
138–151
Publication Date
2024-10-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen tahminlerin doğruluğu yüksek olduğu takdirde, sensörler ve yapay zekâ kullanılarak güneş paneli kurulumu olmaksızın da potansiyel enerji üretiminin tahmin edilebilmesi hedeflenmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Güneş paneli teknolojisi, güneş enerjisini elektrik enerjisine dönüştürerek sürdürülebilir ve temiz enerji üretimini desteklemektedir.
📊
Key Findings & Data:Yapay zekâ, bu süreçte veri analizi, enerji yönetimi ve panel verimliliğinin optimizasyonu gibi alanlarda önemli katkılar sunmaktadır.
💡
Conclusion & Impact:Elde edilen tahminlerin doğruluğu yüksek olduğu takdirde, sensörler ve yapay zekâ kullanılarak güneş paneli kurulumu olmaksızın da potansiyel enerji üretiminin tahmin edilebilmesi hedeflenmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Güneş Paneli · Yapay Zekâ · Makine Öğrenmesi

Özet

Güneş paneli teknolojisi, güneş enerjisini elektrik enerjisine dönüştürerek sürdürülebilir ve temiz enerji üretimini desteklemektedir. Yapay zekâ, bu süreçte veri analizi, enerji yönetimi ve panel verimliliğinin optimizasyonu gibi alanlarda önemli katkılar sunmaktadır. Bu iki teknolojinin entegrasyonu, enerji üretimi ve tüketiminde daha yüksek verimlilik sağlamayı mümkün kılmaktadır. Bu çalışmada, sensörler aracılığıyla veri toplayarak güneş panellerinin gerçek performansını yapay zekâ tabanlı tahminlerle karşılaştırmak ve makine öğrenmesi yöntemleri ile güneş paneli kurulumu için en uygun alanları belirlemek amaçlanmaktadır. Elde edilen tahminlerin doğruluğu yüksek olduğu takdirde, sensörler ve yapay zekâ kullanılarak güneş paneli kurulumu olmaksızın da potansiyel enerji üretiminin tahmin edilebilmesi hedeflenmektedir.

🔖

Cite This Article

Özer, D., Aksoy, B., *, B. A. (2024). YAPAY ZEKÂ UYGULAMASI İLE GÜNEŞ PANELİ SİSTEMİ ENERJİ ÜRETİMİ TAHMİNİ. Yalvaç Akademi Dergisi, Cilt: 9 Sayı: 2, 138–151. https://doi.org/10.57120/yalvac.1543369

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (21)

  1. Çetin, Ö., & Isık, A. H. (2022). Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(Ek (Suppl.) 1), 382-387.
  2. Koç, E., & Kaya, K. (2015). Enerji kaynaklari–yenilenebilir enerji durumu. Mühendis ve Makina, 56(668), 36-47.
  3. Mastar, E. (2011). Güneş panelleri için güneş takip mekanizmasının tasarımı (Master's thesis, Bursa Uludag University (Turkey)).
  4. Akal, D., & Umut, İ. (2022). Fotovoltaik Panellerde Güç Tahminlenmesi için Yapay Zekâ Yöntemlerinin Kullanılması. Tekirdağ Ziraat Fakültesi Dergisi, 19(2), 435-445.
  5. Pirim, A. G. H. (2006). Yapay zekâ. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93.
  6. Ozkahraman, M., Yilmaz, C., & Livatyali, H. (2021). Design and validation of a camera-based safety system for fenceless robotic work cells. Applied Sciences, 11(24), 11679.
  7. Akoglan, C. (2024). Dil, Düşünce ve Turing: Davidson’ın Makine Zekâ sının Sınırlarına İlişkin Görüşleri. Felsefe Dünyası (79), 147-164.
  8. Aylak, B. L., & Oral, O. (2021). Yapay zekâ ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı. El-Cezeri, 8(1), 74-93.
  9. Arslankaya, S., & Toprak, Ş. (2021). Makine Öğrenmesi ve Derin Öğrenme Algoritmalarını Kullanarak Hisse Senedi Fiyat Tahmini. International Journal of Engineering Research and Development, 13(1), 178-192.
  10. Turgut, A., Temir, A., Aksoy, B., & Özsoy, K. (2019). YAPAY ZEKÂ YÖNTEMLERİ İLE HAVA SICAKLIĞI TAHMİNİ İÇİN SİSTEM TASARIMI VE UYGULAMASI. International Journal of 3D Printing Technologies and Digital Industry, 3(3), 244-253.
  11. Güç, R. (2016). Bilecik ili için güneş enerjisi analizi ve yapay sinir ağları ile hava sıcaklığı tahmini (Master's thesis, Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü).
  12. Gün, Ali Riza. (2023). Kısa Dönemli Fotovoltaik Güç Tahmini İçin Geliştirilen Yenilikçi Bir Hibrit Modelin Analizi ve Uygulaması. (Yayımlanmamış Doktora Tezi). Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü, Bilecik.
  13. Reşat, H. G. (2020). Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1129-1140.
  14. Macit Sezikli, N. (2023). Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik veriler kullanılarak tahmin analizi (Master's thesis, İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü).
  15. Akı, O., & Akal, T. T. DESTEK VEKTÖR REGRESYON (SVR) YÖNTEMİ KULLANILARAK HAFTALIK DÖNEMDE FOTOVOLTAİK PANEL ENERJİ TAHMİNİ.
  16. Yüzer, E. Ö., Bozkurt, A., & Barutçu, İ. Ç. (2023). FOTOVOLTAİK SİSTEM ÇIKIŞ GÜCÜNÜN YAPAY SİNİR AĞLARI VE MATLAB/SİMULİNK MODELLERİNİN ENTEGRASYONU İLE BELİRLENMESİ. Mühendislik Bilimleri Ve Tasarım Dergisi, 11(2), 551-563.
  17. Uğuz, S., Oral, O., & Çağlayan, N. (2019). PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. International Journal of Engineering Research and Development, 11(3), 769-779.
  18. Aslan, S., & Yıldız, T. (2022). Makine öğrenmesinde rastgele oran ve sıralı küme örneklemesi yöntemlerinin doğrusal regresyon modellerine etkisi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 24(70), 29-36.
  19. Wang, F. K., & Mamo, T. (2020). Gradient boosted Regresyon model for the degradation analysis of prismatic cells. Computers & Industrial Engineering, 144, 106494.
  20. Çetiner, H., & Kara, B. (2022). Recurrent neural network based model development for wheat yield forecasting. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 9(16), 204-218.
  21. Shcherbakov, M. V., Brebels, A., Shcherbakova, N. L., Tyukov, A. P., Janovsky, T. A., & Kamaev, V. A. E. (2013). A survey of forecast error measures. World applied sciences journal, 24(24), 171-176.