Güneş enerjisi santrallerinde derin öğrenme kullanılarak elektrik üretimi tahmininin yapılması
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Güneş enerjisi santralleri yenilenebilir enerji sistemleri arasında önemli bir konuma sahiptir. Sınırsız kaynak olarak nitelendirilen güneş enerjisinin küçük bir kısmının yer küreye ulaşması, bu santrallerin güneş ışığından mümkün olduğunca yeterli kapasitede yararlanabilmesi önem arz ettiğinden, verimlilik adına günümüze kadar önemli teknolojik gelişmeler yaşanmaktadır. Bu tip sistemlerin kurulumu pahalıdır ve 25 yıl gibi ortalama ömürleri bulunmaktadır. Bu sistemlerden optimum şekilde faydalanmak için ileriye dönük elektrik üretim tahminleri yapılması önemli olabilmektedir. Bu tez çalışması, Konya'nın Çumra, Tuzlukçu ve Yunak ilçelerinde kurulu ve yıllık 1MW kapasiteli (Santral_A, Santral_B, Santral_C, Santral_D) güneş santrallerine ait günlük frekanslı 2 yıllık üç veri seti ve saatlik frekanslı 1 yıllık bir veri seti (tek değişkenli zaman serileri) üzerinde değerlendirme yapılmıştır. Güneş enerjisi santrallerinden elde edilen bu verilere göre derin öğrenme kullanılarak elektrik üretim analizi yapılmıştır. Tercih edilen derin öğrenme yöntemi; uzun kısa süreli hafıza (LSTM) olup zaman serisi analizinde kullanılan bir başka istatistiksel yöntem olan mevsimsel otoregresif hareketli ortalama (SARIMA) ile karşılaştırılmıştır. Her bir veri seti için elde edilen sonuçlar; beş farklı hata performans ölçüm sistemine tabii tutulmuş (MSE, RMSE, NMSE, MAE, MAPE) ve LSTM modelinin SARIMA modeline göre çoğunlukla gerçek verilere daha yakın sonuçlar verdiği tespit edilmiştir. Sonuçların ardından güneş santrallerinde verimliliğe etki edebilecek faktörler incelenmiş, İç Anadolu Bölgesi, Ege ve Akdeniz bölgelerinde kurulu olan bazı santrallerin saha mühendislerince tespit edilen sorunlar derlenerek bazı yorumlar ve çıkarımlar yapılmıştır.
Solar power plants have an important position among renewable energy systems. Since it is important that a small part of the solar energy, which is described as an unlimited resource, reaches the earth and that these power plants can benefit from sunlight in sufficient capacity as possible, important technological developments have been experienced so far in terms of efficiency. Such systems are expensive to install and have an average life span of 25 years. It can be important to make forward-looking electricity generation estimates in order to make optimum use of these systems. This thesis study was evaluated on three 2-year daily frequency data sets and a 1-year data set with hourly frequency (univariate time series) belonging to solar power plants with 1MW annual capacity (Santral_A, Santral_B, Santral_C, Santral_D) established in Çumra, Tuzlukçu and Yunak districts of Konya. According to these data obtained from solar power plants, electricity generation analysis was made using deep learning. Preferred deep learning method; long short-term memory (LSTM) and compared with seasonal autoregressive moving average (SARIMA), another statistical method used in time series analysis. Results obtained for each data set; It was subjected to five different error performance measurement systems (MSE, RMSE, NMSE, MAE, MAPE) and it was determined that the LSTM model mostly gave results closer to the real data than the SARIMA model. After the results, the factors that may affect the efficiency of solar power plants were examined, and some comments and inferences were made by compiling the problems identified by field engineers of some power plants established in Central Anatolia, Aegean and Mediterranean regions.
Solar power plants have an important position among renewable energy systems. Since it is important that a small part of the solar energy, which is described as an unlimited resource, reaches the earth and that these power plants can benefit from sunlight in sufficient capacity as possible, important technological developments have been experienced so far in terms of efficiency. Such systems are expensive to install and have an average life span of 25 years. It can be important to make forward-looking electricity generation estimates in order to make optimum use of these systems. This thesis study was evaluated on three 2-year daily frequency data sets and a 1-year data set with hourly frequency (univariate time series) belonging to solar power plants with 1MW annual capacity (Santral_A, Santral_B, Santral_C, Santral_D) established in Çumra, Tuzlukçu and Yunak districts of Konya. According to these data obtained from solar power plants, electricity generation analysis was made using deep learning. Preferred deep learning method; long short-term memory (LSTM) and compared with seasonal autoregressive moving average (SARIMA), another statistical method used in time series analysis. Results obtained for each data set; It was subjected to five different error performance measurement systems (MSE, RMSE, NMSE, MAE, MAPE) and it was determined that the LSTM model mostly gave results closer to the real data than the SARIMA model. After the results, the factors that may affect the efficiency of solar power plants were examined, and some comments and inferences were made by compiling the problems identified by field engineers of some power plants established in Central Anatolia, Aegean and Mediterranean regions.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Derin öğrenme, güneş enerjisi santrali, mevsimsel otoregresif entegre hareketli ortalama, tek değişkenli zaman serileri, uzun kısa süreli hafıza, Deep learning, long short-term memory, seasonal autoregressive integrated moving average, solar power plant, univariate time series
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kıymaz, Y. E. (2021). Güneş enerjisi santrallerinde derin öğrenme kullanılarak elektrik üretimi tahmininin yapılması. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Enerji Sistemleri Mühendisliğiğ Anabilim Dalı, Konya.
