SavedAdd your journal

Journals / EMO Bilimsel Dergi / 2021 / Cilt: 11 - Sayı: 22

Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması

Bünyamin DİKİCİ
Hakan AÇIKGÖZ
Ö. Fatih KEÇECİOĞLU
M. Fatih BEKÇİOĞULLARI
Pages
37–45
Publication Date
2022-10-12
DOI
—
🏛️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 metrik sonuçlarına göre DVM’nin en iyi tahmin sonucunu sağladığı gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüzde, güneş enerji santrallerine yapılan yatırımlar her geçen gün kayda değer derecede artış göstermektedir.
📊
Key Findings & Data:İlk olarak, Avustralya, Alice Springs’de bulunan bir güneş enerji merkezindeki 1B: Trina isimli santralin çıkış güç verisi ve bölgedeki ölçüm istasyonundan alınan meteorolojik parametrelerden oluşan bir veri seti elde edilmiştir.
💡
Conclusion & Impact:Elde edilen metrik sonuçlarına göre DVM’nin en iyi tahmin sonucunu sağladığı gözlemlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Ampirik mod ayrıştırıcı · Güneş Enerjisi · Makine Öğrenmesi

Özet

Günümüzde, güneş enerji santrallerine yapılan yatırımlar her geçen gün kayda değer derecede artış göstermektedir. Güneş enerjisinin meteorolojik parametrelere bağlı olarak değişken olması enerji üretiminin planlanmasını nispeten zorlaştırmaktadır. Bu durum şebeke işletme problemlerine yol açabileceğinden güneş enerjisi tahmini önemli bir konu haline gelmiştir. Bu çalışmada, makine öğrenmesi metotlarının kısa-dönemli güneş enerjisi tahmini yapabilirliği karşılaştırılmıştır. İlk olarak, Avustralya, Alice Springs’de bulunan bir güneş enerji merkezindeki 1B: Trina isimli santralin çıkış güç verisi ve bölgedeki ölçüm istasyonundan alınan meteorolojik parametrelerden oluşan bir veri seti elde edilmiştir. Daha sonra güç verisi Ampirik mod ayrıştırma yöntemi ile alt bileşenlerine ayrılmıştır. Bu çalışmada, güneş enerjisinin tahmini için Doğrusal Regresyon (DR), Destek Vektör Makinesi (DVM), Karar Ağacı Regresyonu (KAR), Gauss Süreç Regresyonu (GSR) ve Topluluk Regresyonu (TR) gibi en çok kullanılan yöntemler tercih edilmiştir. Bu yöntemlerin farklı tahmin ufuklarındaki tahmin performanslarını değerlendirmek için karşılaştırma çalışmaları gerçekleştirilmiştir. Bu çalışmalarda, tüm makine öğrenme yöntemleri için R, RMSE ve MAE gibi performans metrik sonuçları hesaplanmıştır. Elde edilen metrik sonuçlarına göre DVM’nin en iyi tahmin sonucunu sağladığı gözlemlenmiştir.

🔖

Cite This Article

DİKİCİ, B., AÇIKGÖZ, H., KEÇECİOĞLU, Ö. F., BEKÇİOĞULLARI, M. F. (2022). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, Cilt: 11 - Sayı: 22, 37–45. https://ajindex.com/articles/500648

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Ahmed, R., Sreeram, V., Mishra, Y., Arif, M.D. “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization”, Renewable and Sustainable Energy Reviews, 124, pp. 1-26, 2020
  2. Akhter, M.N., Saad, M., Hazlie, M., Noraisyah, M. S. “Review on forecasting of photovoltaic power generation based on machine learning and metaheuristic techniques”, IET Renewable Power Generation, 13(7), pp. 1009-1023, 2019
  3. Kim, S., Jung, J., Sim, M. “A two-step approach to solar power generation prediction based on weather data using machine learning”, Sustainability, 2019
  4. Sobri, S., Koohi-Kamali, S., Rahim, N. “Solar photovoltaic generation forecasting methods: a review”, Energy Conversion and Management, 156 pp. 459–97, 2017
  5. Raza, M., Q., M. Nadarajah, C. Ekanayake. “On recent advances in PV output power forecast”, Solar Energy,136, pp.125-144, 2016
  6. Şahan, M., Okur, Y. “Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini”, Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 11(1),ss. 61-71, 2016
  7. Demolli, H., Dokuz, A. Ş., Gokcek, M., Ecemiş, A. “Makine Öğrenmesi Algoritmalarıyla Güneş Enerjisi Tahmini: Niğde İli Örneği”, International Turkic World Congress on Science and Engineering, ss. 775-783, 2019
  8. Gök, A.O., Yıldız, C., Şekkeli M. “Yapay sinir ağları kullanarak kısa dönem güneş enerjisi santrali üretim tahmini: Kahramanmaraş örnek çalışması”, Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 1(2), ss.186-195, 2019
  9. Wolff, B., Kühnert, J., Lorenz, E., Kramer, O., Heinemann, D. “Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data”, Solar Energy, 135, ss. 197-208, 2016
  10. Mahmud, K., Azam, S., Karim, A., Zobaed, S. “Machine learning based pv power generation forecasting in alice springs”, IEEE Access, pp. 1-13, 2021
  11. Massaoudi, M., Chihi I., Sidhom L., Trabelsi M., Refaat, S., Abu-Rub, H. “ An effective hybrid narx-lstm model for point and interval pv power forecasting”, IEEE Access, 9, pp. 36571-36588, 2021
  12. Korkmaz, D., Açıkgöz, H., Yıldız C. “A novel short-term photovoltaic power forecasting approach based on deep convolutional neural network”, Int J Green Energy,18, pp. 1–15, 2021
  13. Yıldız, C., Açıkgöz, H. “A kernel extreme learning machine-based neural network to forecast very