Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik veriler kullanılarak tahmin analizi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Güneş enerji santralleri, temiz ve sürdürülebilir enerji taleplerini karşılama konusunda önemli bir rol oynar. Ancak değişken hava koşulları, mevsimsel etkiler ve benzeri faktörler, fazla üretilen enerjinin depolanması veya eksik enerjiden kaynaklanan maliyetlerle sonuçlanabilir. Bu durumlar, güneş enerjisi üretiminde verimsizliklere yol açabilir. Güneş enerjisi verilerinin meteoroloji verileri ile birleştirilmesi, makine öğrenmesi teknikleriyle güneş enerjisi üretimini tahmin etmek, sistem verimliliğini artırmak ve daha sürdürülebilir enerji stratejileri geliştirmek için önemli bir kaynak sunar. Bu çalışmanın temel amacı, enerji sektöründe verimliliği artırmak ve enerji üretimini optimize etmek için güneş enerji panellerinden elde edilen enerji ile meteorolojik verileri kullanarak makine öğrenmesi yöntemleriyle, Rastgele Orman, Karar Ağaçları, K-En Yakın Komşu, Çoklu Doğrusal Regresyon, Ridge Regresyon, Lasso Regresyon, Doğrusal Regresyon, tahminler yapmaktır. Ayrıca, kullanılan makine öğrenmesi yöntemlerinin sonuçlarını değerlendirmek için R2, MSE, RMSE, MAE hata performans analizleri kullanılmıştır. Bu çalışma, mevcut modellerin elde ettiği sonuçları değerlendirerek başarılarını karşılaştırmayı amaçlamaktadır. Rastgele Orman Algoritması, en yüksek R2 puanı olan 0.968420, en düşük MSE değeri olan 0.000764 ve en düşük MAE değeri olan 0.012567 ulaşarak en başarılı algoritma olarak öne çıkmaktadır. İkinci sırada ise Karar Ağaçları algoritması gelmektedir. Diğer algoritmalar başarısı sırasına göre şu şekildedir; Çoklu Doğrusal Regresyon, K-En Yakın Komşu, Ridge Regresyon, Lasso Regresyon ve Doğrusal Regresyon. Bu sonuçlar, çalışmanın temel bulgularını yansıtmaktadır.
Solar energy power plants play a significant role in meeting the demand for clean and sustainable energy. However, variable weather conditions, seasonal effects, and similar factors can result in the need for energy overproduction to be stored or lead to costs associated with energy deficiency. These situations can result in inefficiencies in solar energy production. The integration of solar energy data with meteorological data, using machine learning techniques, provides a valuable resource for predicting solar energy production, enhancing system efficiency, and developing more sustainable energy strategies. The primary objective of this study is to enhance efficiency in the energy sector and optimize energy production by using machine learning techniques, including Random Forest, Decision Trees, K-Nearest Neighbors, Multiple Linear Regression, Ridge Regression, Lasso Regression, and Linear Regression, with energy generated from solar panels and meteorological data. Additionally, error performance analyses, such as R-squared, Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error, have been employed to assess the outcomes of the applied machine learning methods. This study aims to assess the results achieved by existing models and compare their successes. According to the research findings, the Random Forest Algorithm stands out as the most successful algorithm, achieving the highest R-squared score of 0.968420, the lowest Mean Squared Error value of 0.000764, and the lowest Mean Absolute Error value of 0.012567. The Decision Trees algorithm ranks second in performance. The other algorithms, in order of success, are Multiple Linear Regression, K-Nearest Neighbors, Ridge Regression, Lasso Regression, and Linear Regression. These results accurately reflect the fundamental findings of the study.
Solar energy power plants play a significant role in meeting the demand for clean and sustainable energy. However, variable weather conditions, seasonal effects, and similar factors can result in the need for energy overproduction to be stored or lead to costs associated with energy deficiency. These situations can result in inefficiencies in solar energy production. The integration of solar energy data with meteorological data, using machine learning techniques, provides a valuable resource for predicting solar energy production, enhancing system efficiency, and developing more sustainable energy strategies. The primary objective of this study is to enhance efficiency in the energy sector and optimize energy production by using machine learning techniques, including Random Forest, Decision Trees, K-Nearest Neighbors, Multiple Linear Regression, Ridge Regression, Lasso Regression, and Linear Regression, with energy generated from solar panels and meteorological data. Additionally, error performance analyses, such as R-squared, Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error, have been employed to assess the outcomes of the applied machine learning methods. This study aims to assess the results achieved by existing models and compare their successes. According to the research findings, the Random Forest Algorithm stands out as the most successful algorithm, achieving the highest R-squared score of 0.968420, the lowest Mean Squared Error value of 0.000764, and the lowest Mean Absolute Error value of 0.012567. The Decision Trees algorithm ranks second in performance. The other algorithms, in order of success, are Multiple Linear Regression, K-Nearest Neighbors, Ridge Regression, Lasso Regression, and Linear Regression. These results accurately reflect the fundamental findings of the study.
Açıklama
Danışman: DR. ÖĞR. ÜYESİ ÜMİT ALKAN ; PROF. DR. METİN ZONTUL
Yer Bilgisi: İstanbul Gelişim Üniversitesi / Lisansüstü Eğitim Enstitüsü / Mekatronik Mühendisliği Ana Bilim Dalı / Mekatronik Mühendisliği Bilim Dalı
Konu: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Enerji = Energy ; Mekatronik Mühendisliği = Mechatronics Engineering
Dizin: Doğrusal regresyon = Linear regression ; Güneş enerjisi = Solar energy ; Güneş enerjisi santrali = Solar energy plant ; Makine öğrenmesi = Machine learning ; Makine öğrenmesi yöntemleri = Machine learning methods ; Meteorolojik parametreler = Meteorological parameters ; Rastgele ormanlar = Random forests ; Regresyon ağaçları = Regression trees ; Ridge regresyon = Ridge regression ; Çoklu doğrusal regresyon = Multiple linear regression
Anahtar Kelimeler
Güneş Enerjisi, Güneş Enerjisi Santrali, Meteorolojik Parametreler, Makine Öğrenmesi, Makine Öğrenmesi Yöntemleri, Doğrusal Regresyon, Ridge Regresyon, Çoklu Doğrusal Regresyon, Rastgele Ormanlar, Regresyon Ağaçları, Lasso Regresyon, Karar Ağaçları, K- En Yakın Komşu, Solar Energy, Solar Energy Plant, Meteorological Parameters, Machine Learning, Machine Learning Methods, Linear Regression, Ridge Regression, Multiple Linear Regression, Random Forests, Regression Trees, Lasso Regression, Decision Trees, K-N Nearest Neighbour
