KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 18 Sayı: 2

Bir Fotovoltaik Güç Sisteminin Üretiminin Çok Boyutlu Tahmin Filtreleri ile Modellenmesi

Emre Akarslan
Fatih Onur Hocaoğlu
Sayfa
516–522
Yayın Tarihi
2018-08-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar MDLP filtrelerin güç sisteminin üretimini modellemedeki başarısını ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Akıllı şebekeler ile birlikte farklı üretim kaynaklarının şebekeye entegre edilebilmesi, yenilenebilir enerji kaynaklarını daha da özel bir noktaya getirmiştir.
📊
Temel Bulgular & Veri:Bu kaynakların hem sürdürülebilir hem de çevre dostu olmaları en büyük avantajlarıdır.
💡
Sonuç & Katkı:Elde edilen sonuçlar MDLP filtrelerin güç sisteminin üretimini modellemedeki başarısını ortaya koymuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çok boyutlu doğrusal tahmin filtreleri · PV güç üretimi · Modelleme

Özet

Akıllı şebekeler ile birlikte farklı üretim kaynaklarının şebekeye entegre edilebilmesi, yenilenebilir enerji kaynaklarını daha da özel bir noktaya getirmiştir. Bu kaynakların hem sürdürülebilir hem de çevre dostu olmaları en büyük avantajlarıdır. En önemli yenilenebilir enerji kaynaklarından birisi olan güneşten, elektrik üretecek bir sistemin tasarımı ve yönetimi için bu sistemden üretilecek gücün tahmin edilebilmesi oldukça önemlidir. Bu çalışmada Afyon Kocatepesi Üniversitesi kampüs alanına tesis edilmiş bir güneş enerji sisteminin üretiminin doğru bir şekilde tahmin edilmesi amaçlanmıştır. Bu amaçla üretim tesisinden toplanan bir yıllık veriler kullanılmış ve modelleme için çok boyutlu doğrusal tahmin filtreleri (MDLPF) kullanılmıştır. Saatlik olarak toplanan bir yıllık sıcaklık, üretim ve güneş ışınımı verileri, satırları günlere, sütunları saatlere karşılık gelen resimlere çevrilmiş ve uygun filtre şablonu kullanılarak güç sisteminin üretimi modellenmiştir. Elde edilen sonuçlar MDLP filtrelerin güç sisteminin üretimini modellemedeki başarısını ortaya koymuştur.

🔖

Bu Makaleye Atıf Yap

Akarslan, E., Hocaoğlu, F. O. (2018). Bir Fotovoltaik Güç Sisteminin Üretiminin Çok Boyutlu Tahmin Filtreleri ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 18 Sayı: 2, 516–522. https://ajindex.com/articles/1354915

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Akarslan E, Hocaoǧlu FO, Edizkan R. "A novel M-D (multi-dimensional) linear prediction filter approach for hourly solar radiation forecasting". Energy 73, 978–986, 2014.
  2. Akarslan E, Hocaoglu FO. "A novel adaptive approach for hourly solar radiation forecasting". Renewable Energy 87, 628–633, 2016.
  3. Akarslan E, Hocaoglu FO. "An application of MDLPF models for solar radiation forecasting". International Journal of Smart Grid and Clean Energy 4(4), 299-304, 2015.
  4. Akarslan E, Hocaoǧlu FO, Edizkan R. "Novel short term solar irradiance forecasting models". Renewable Energy 123, 58–66, 2018.
  5. Bessa RJ, Trindade A, Silva CSP, Miranda V. "Probabilistic solar power forecasting in smart grids using distributed information". International Journal of Electrical Power & Energy Systems 72,16–23, 2015.
  6. Çinar SM, Hocaoğlu FO, Orhun M. "A remotely accessible solar tracker system design". Journal of Renewable and Sustainable Energy 6(3), 033143, 2014.
  7. De Giorgi MG, Congedo PM, Malvoni M, Laforgia D. "Error analysis of hybrid photovoltaic power forecasting models: A case study of mediterranean climate". Energy Conversion and Management 100, 117–130, 2015.
  8. Huang J, Perry M. "A semi-empirical approach using gradient boosting and k-nearest neighbors regression for GEFCom2014 probabilistic solar power forecasting". International Journal of Forecasting 32, 1081–1086, 2016.
  9. İzgi E, Öztopal A, Yerli B, Kaymak MK, Şahin AD. "Short–mid-term solar power prediction by using artificial neural networks". Solar Energy 86, 725–733, 2012.
  10. Lin K-P, Pai P-F. "Solar power output forecasting using evolutionary seasonal decomposition least-square support vector regression". Journal of Cleaner Production 134, 456–462, 2016.
  11. Liu J, Fang W, Zhang X, Yang C. "An Improved Photovoltaic Power Forecasting Model With the Assistance of Aerosol Index Data". IEEE Transactions on Sustainable Energy 6,434–442, 2015.
  12. Mellit A, Massi Pavan A, Lughi V. "Short-term forecasting of power production in a large-scale photovoltaic plant". Solar Energy 105, 401–413, 2014.
  13. Moustris KP, Ziomas IC, Paliatsos AG. "3-Day-Ahead Forecasting of Regional Pollution Index for the Pollutants NO2, CO, SO2, and O3 Using Artificial Neural Networks in Athens, Greece". Water, Air, & Soil Pollution 209, 29–43, 2009.
  14. Nastos PT, Paliatsos AG, Koukouletsos KV, Larissi IK, Moustris KP. "Artificial neural networks modeling forforecasting the maximum daily total precipitation at Athens, Greece". Atmospheric Research 144, 141–150, 2014.
  15. Wang F, Zhen Z, Mi Z, Sun H, Su S, Yang G. "Solar irradiance feature extraction and support vector machines based weather status pattern recognition model for short-term photovoltaic power forecasting". Energy and Buildings 86, 427–438, 2015.