SavedAdd your journal

Journals / EMO Bilimsel Dergi / 2023 / Cilt: 13 Sayı: 2

Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi

Berrin ERYILMAZ
Heybet KILIÇ
Fatih KOÇYİĞİT
Pages
57–69
Publication Date
2023-07-19
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)

Yapılan bu karşılaştırma sonucunda GD-RVFL’ nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Fosil yakıt kaynaklarının sınırlı olması ve çevreye zararlı etkilerinin olması nedeniyle fotovoltaik (PV) sistemlerinin kurulumuna olan ihtiyaç giderek artmaktadır.
📊
Key Findings & Data:Bu çalışmanın amacı, literatürde makine öğrenimi modellerinde yaygın olan aşırı öğrenme ve yavaş öğrenme dezavantajlarının üstesinden gelerek daha hızlı öğrenen ve yüksek doğrulukta performans gösteren Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı (GD-RVFL) ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli 10 farklı makine öğrenimi yöntemi olan Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Yapay Sinir Ağı (YSA), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) ve Ridge Regressor (RR) yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir.
💡
Conclusion & Impact:Yapılan bu karşılaştırma sonucunda GD-RVFL’ nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:GD-RVFLN · KKA · Makine öğrenimi

Özet

Fosil yakıt kaynaklarının sınırlı olması ve çevreye zararlı etkilerinin olması nedeniyle fotovoltaik (PV) sistemlerinin kurulumuna olan ihtiyaç giderek artmaktadır. PV sistemlerinin hava koşularına bağımlılığı PV güç çıkışlarında kararsızlığa, gerilim, frekans dalgalanmaları ve kesintilere neden olmaktadır. Bu durum ise PV enerjisinin şebekelere entegrasyonunu zorlaştırmaktadır. Bu yüzden PV güç çıkışını önceden kısa süreli tahmin etmek karşılaşılan zorlukların üstesinden gelmek için çok önemlidir. Bu çalışmanın amacı, literatürde makine öğrenimi modellerinde yaygın olan aşırı öğrenme ve yavaş öğrenme dezavantajlarının üstesinden gelerek daha hızlı öğrenen ve yüksek doğrulukta performans gösteren Gürbüz Düzenlenmiş Rastgele Vektör Fonksiyon Bağlantı (GD-RVFL) ağı modelini kısa vadeli PV çıkış gücünü tahmin etmede kullanmak ve bu kapsamda önerilen modeli 10 farklı makine öğrenimi yöntemi olan Bayesian Ridge Regressor (BRR), Linear Regressor (LR), Gaussian Process Regressor (GPR), Support Vector Machine (SVM), Extreme Learning Machine (ELM), Yapay Sinir Ağı (YSA), Gradient Boosting Regressor (GBR), Random Forest Regressor (RFR), Lasso Regressor (LAR) ve Ridge Regressor (RR) yöntemleri ile karşılaştırılarak modellerinin performansını değerlendirmektir. Yapılan bu karşılaştırma sonucunda GD-RVFL’ nin etkinliği diğer 10 makine öğrenimi modeline göre önemli ölçüde daha iyi performans gösterdiği görülmüştür

🔖

Cite This Article

ERYILMAZ, B., KILIÇ, H., KOÇYİĞİT, F. (2023). Makine Öğrenimi Tabanlı Kısa Vadeli Fotovoltaik Çıkış Gücü Tahminlemesi. EMO Bilimsel Dergi, Cilt: 13 Sayı: 2, 57–69. https://ajindex.com/articles/955264

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. P. Markuse, Provisional Report on the State of the Global Climate 2020, World Meteorological Organization (WMO), 2021. Erişim Tarihi: 21 Ocak 2022.
  2. H.E. Murdock, D. Gibb, T. André vd. Renewables 2021 Global Status Report, World Energy Coucil, REN21, 2021. Erişim Tarihi: 21 Ocak 2022.
  3. T. Gould, J. Coppel, T. Bienassis vd., World Energy Investment 2022, International Energy Agency, 2022. Erişim Tarihi: 21 Ocak 2022.
  4. F. Barbieri, S. Rajakaruna, ve A. Ghosh. "Very short-term photovoltaic power forecasting with cloud modeling: A review," Renewable and Sustainable Energy Reviews, 75, Aug. 2017, s. 242-263
  5. G. Gowrisankaran, S. S. Reynolds ve M. Samano, “Intermittency and the value of renewable energy,” Journal of Political Economy, vol. 124, no.4, Aug 2016, s. 1187-1234
  6. G. Stein ve T. M. Letcher, “Integration of PV generated electricity into national grids. In A comprehensive guide to solar energy systems” Academic Press, 2018, s.321-332
  7. G. Cervone, L. Clemente-Harding, S. Alessandrini, ve L. Delle Monache, “Short-term photovoltaic power forecasting using Artificial Neural Networks and an Analog Ensemble,” Renewable Energy, vol.108, Aug. 2017, s. 274–286
  8. Z.L. Yang, M. Mourshed, K. Liu, vd., “A novel competitive swarm optimized RBF neural network model for short-term solar power generation forecasting,” Neurocomputing, vol. 397, Jul. 2020, s.415-421
  9. D. Li and K. Sun, “Random Forest solar power forecast based on classification optimization,” Energy, vol. 187, Nov. 2019, s. 1-11
  10. I. A. Ibrahim ve T. Khatib, “A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm,” Energy Convers Manag, [11] H.Z. Wang, H.Y. Yi, J.C. Peng, vd., “Deterministic and probabilistic forecasting of photovoltaic power based on deep convolutional neural network,” Energy Convers Manag, vol. 153, Dec. 2017, s.409-422
  11. H.Z. Wang, Z.X. Lei, X. Zhang, vd., “A review of deep learning for renewable energy forecasting,” Energy Convers Manag, vol. 198, Oct 2019, s.1-16
  12. M.R. Douiri, “Particle swarm optimized neuro-fuzzy system for photovoltaic power forecasting model,” Sol Energy, vol. 184, s.91-104, 2019
  13. Y.T. Li, Y. He, Y. Su, vd., “Forecasting the daily power output of a grid connected photovolta