PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi
Yıl: 2019 Cilt: 11 Sayı: 3 Sayfa Aralığı: 769 - 779 Metin Dili: Türkçe DOI: 10.29137/umagd.514933 İndeks Tarihi: 01-05-2021
PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi
Öz: Elektrik enerjisi ihtiyacının artması, ülkeleri güvenilir, ucuz ve temiz enerji teminine yöneltmiştir. Son zamanlarda bu enerjikaynakları arasından fotovoltaik (PV) güç sistemleri öne çıkmaktadır. Güneş enerjisi potansiyelinin yüksek olduğu Türkiye’dedevlet teşvikleriyle birlikte PV güç santrallerine olan yatırımların sayısı artmaktadır. PV santrallerin kuruluş yeri seçimi içinfizibilite çalışmalarının yapılması ve buna bağlı olarak sistemlerin tasarlanması, yapılacak yatırımların ekonomikliğininbelirlenmesi açısından önemli bir konu olarak görülmektedir. Santral kurulmadan önce ışınım enerjisine göre elde edilebilecekelektrik enerjisinin hesaplanması için eşitlikler ve yöntemler geliştirilmiştir. Bu yöntemlerden biri de makine öğrenmemodellerinin geliştirilmesi ve simülasyon sonuçlarının elde edilmesidir. Bu çalışmada; Türkiye’de 125 farklı bölge içinkurulması planlanan PV santrallerinin üreteceği elektrik gücünün, makine öğrenmesi modelleri ile tahmin edilmesiamaçlanmıştır. Bu amaç doğrultusunda PV sistemler için güneş ışınımı tahmin edilmesinde Yapay Sinir Ağları (YSA), ÇokluDoğrusal Regresyon (ÇDR) ve k-En Yakın Komşu Regresyon (k-EYKR) makine öğrenimi metodolojileri kullanılmıştır. Bumetodolojilerin performansını analiz etmek amacıyla bir dizi deneysel değerlendirmeler yapılmıştır. Değerlendirmeler için veriseti, Numpy, Pandas, Scipy gibi temel python kütüphanelerinin yanı sıra makine öğrenmesi uygulamaları için geliştirilmiş olanscikit-learn kütüphanesinde test edilmiştir. Deneysel sonuçlar, girdi olarak kullanılmış yedi adet bağımsız değişkenin, makineöğrenimine dayalı tahmin algoritmalarının çalıştırılmasıyla PV tarafında üretilen elektrik gücünü tahmin edebildiğinigöstermiştir.
Anahtar Kelime: Estimation of Energy to be Obtained from PV Power Plants Using Machine Learning Methods
Öz: The increase in the need for electricity has led the countries to provide reliable, inexpensive and clean energy. Recently, among those energy sources, those based on photovoltaic (PV) power systems have come forward. Solar energy potential in Turkey is high, the number of investments in PV power plants with government incentives are increasing. The feasibility studies for the selection of the location of PV plants and the design of the systems are considered as an important issue in terms of determining the economic value of the investments to be made. Equations and methods have been developed to calculate the electrical energy that can be obtained according to the radiant energy before the plant is established. One of these methods is to develop machine learning models and to obtain simulation results. In this study; The establishment of the 125 planned for different areas of electric power to be generated by the PV power plant in Turkey, aimed to estimate with machine learning models. For this purpose, in the estimation of solar radiation for PV systems; artificial neural networks (ANN), multiple linear regression (MLR) and k-nearest neighbors regression (KNNR) machine learning methodologies were used. In order to analyze the performance of these methodologies, a series of experimental evaluations were made. The data set for evaluations has been tested in basic python libraries such as Numpy, Pandas, Scipy, as well as in the scikit-learn library developed for machine learning applications. Experimental results have shown that seven independent variables used as input can predict the electrical power produced by PV based on the study of prediction algorithms based on machine learning.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Al-Ghobari, H. M., El-Marazky, M. S., Dewidar, A. Z., & Mattar, M. A. (2018). Prediction of wind drift and evaporation lossesfrom sprinkler irrigation using neural network and multiple regression techniques. Agricultural Water Management, 195, 211-221.
- Assouline, D., Mohajeri, N., & Scartezzini, J. L. (2017). Quantifying rooftop photovoltaic solar energy potential: a machinelearning approach, Solar energy 141, 278-296.
- Bacher, P., Madsen, H., & Nielsen, H. A. (2009). Online short-Term solar power forecasting. Sol. Energy, 83, 1772-1783.
- Bollegala, D. (2017). Dynamic feature scaling for online learning of binary classifiers. Knowledge-Based Systems, 129, 97-105.
- Caglayan, N., Ertekin, C., & Evrendilek, F. (2014). Spatial viability analysis of grid-connected photovoltaic power systems forTurkey, International journal of electrical power & energy systems, 56, 270-278.
- Chemingui, H., & Ben lallouna, H. (2013). Resistance, motivations, trust and intention to use mobile financial services.International Journal of Bank Marketing, 31(7), 574-592.
- Chen, C., Duan, S., Cai, T., & Liu, B. (2011). Online 24-h solar power forecasting based on weather type classification usingartificial neural network. Sol. Energy, 85, 2856-2870.
- Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.
- Das, U., Tey, K., & Seyedmahmoudian, M. (2017). SVR-based model to forecast PV power generation under different weatherconditions. Energies, 10(7), 876.
- Duffie, J.A., & Beckman,W. A. (2013). Solar engineering of thermal processes. Retrieved from https://www.amazon.com/SolarEngineering-Thermal-Processes-Duffie/dp/0471698679.
- Elizondo, D., Hoogenboom, G., & McClendon, R. W. (1994). Development of a neural network model to predict daily solarradiation, Agricultural and Forest Meteorology, 71( 1-2), 115-132.
- Enerji ve Tabii Kaynaklar Bakanlığı 2018 Yılı Bütçe Sunumu (2018). Strateji Geliştirme Başkanlığı Retrived from http://www.enerji.gov.tr/File/? path=ROOT%2f1%2fDocuments%2fB%c3%bct%c3%a7e%20Konu%c5%9fmas%c4%b1%2f2018_Butce_Sunus_Kitabi.pdf.
- Gala, Y., Fern andez, A., Díaz, J., & Dorronsoro, J. R. (2016). Hybrid machine learning forecasting of solar radiation values,Neurocomputing, 176, 48-59.
- Gordon, R. (2009). Predicting solar radiation at high resolutions: a comparison of time series forecasts. Solar Energy 83, 342-349.
- Grégoire, G. (2014). Multiple linear regression. European Astronomical Society Publications Series, 66, 45-72.
- International Energy Agency (IEA), (2015). The Medium-Term Renewable Energy Market Report. Retrieved from https://www.iea.org/publications/freepublications/publication/MTRMR2015.pdf . Jiaming, L., John, W., Taffy, T., Lyle, C., & Glenn, P. (2016). Machine Learning for Solar Irradiance Forecasting of Photovoltaic System. Renewable Energy, 90(1), 542–553.
- John, G. H., Kohavi, R., & Pfleger, K. (1994). Irrelevant features and the subset selection problem. In Machine Learning Proceedings , 121-129.,
- Karagöl, T. E., & Kavaz, İ. (2017). Dünyada ve Türkı̇ye’de Yenı̇lenebı̇lı̇r Enerjı̇. Siyaset, Ekonomi ve Toplum Araştırmaları Vakfı (SETA) Analiz Yayını 197. Retrieved from https://setav.org/assets/uploads/2017/04/YenilenebilirEnerji.pdf.
- Karasu, S., Altan, A., Sarac, Z., & Hacioglu, R. (2017). Prediction of solar radiatıon based on machine learning methods, The journal of cognitive systems, 2(1), 16-20.
- Khatib, T., Mohamed, A., Sopian, K., & Mahmoud, M. (2012). Solar energy prediction for malaysia using artificial neural networks, International journal of photoenergy, 2012(419504), 16.
- Koca, A, Oztop, H. F., Varol, Y, & Koca G. O. (2018). Estimation of solar radiation using artificial neural networks with different input parameters for Mediterranean region of Anatolia in Turkey. Expert Syst Appl 2011; 38(7), 8756–62.
- Ministry of Energy and Natural Resources (2018). Turkey has high solar energy potential due to its geographical location. Retrieved from http://www.enerji.gov.tr/en-US/Pages/Solar.
- Narin, A., Isler, Y., & Ozer, M. (2014). Investigating the performance improvement of HRV Indices in CHF using feature selection methods based on backward elimination and statistical significance. Computers in biology and medicine, 45, 72-79.
- NASA Surface Meteorology and Solar Energy. Redrived from https://power.larc.nasa.gov.
- Netsanet, S., Zhang, J., Zheng, D., & Hui, M. (2016). Input parameters selection and accuracy enhancement techniques in PV forecasting using Artificial Neural Network. In Proceedings of the 2016 IEEE International Conference on Power and Renewable Energy (ICPRE), Shanghai, China, pp. 565-569.
- Panapakidis, I. P., & Christoforidis, G. C. (2017). A hybrid ANN/GA/ANFIS model for very short-term PV power forecasting. In Proceedings of the 2017 11th IEEE International Conference on Compatibility, Power Electronics and Power Engineering (CPEPOWERENG), Cadiz, Spain, 412-417.
- Patterson, J., & Gibson, A. (2017). Deep Learning: A Practitioner's Approach. O'Reilly Media, Inc.
- Pedro, H. T. & Coimbra, C. F. (2012). Assessment of forecasting techniques for solar power production with no exogenous inputs. Solar Energy, 86, 2017-2028.
- Photovoltaic Geographical Information System (2018). Country and regional maps. European Commission Joint Research Centre Energy Efficiency and Renewables Unit (PVGIS team). Retrieved from http://re.jrc.ec.europa.eu/pvg_download/map_index_c.html.
- Picault, D., Raison, B., Bacha, S., de la Casa, J., & Aguilera, J. (2010). Forecasting photovoltaic array power production subject to mismatch losses. Solar Energy 84, 1301-1309.
- RETScreen, (2011). Retrived from https://www.nrcan.gc.ca/energy/software-tools/7465 . Salata F., Vollaro, Andrea. L., & Vollaro, R. L. (2014). A case study of technical and economic comparison among energy production systems in a complex of historic buildings in Rome. 68th Conference of the Italian Thermal Machines Engineering Association, ATI2013. Energy Procedia 45, 482-491.
- Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the royal statistical society. Series B (Methodological), 111-147.
- Teo, T. T., Logenthiran, T., & Woo, W. L. (2015). Forecasting of photovoltaic power using extreme learning machine, in: IEEE Innovative smart grid technologies - Asia (ISGT ASIA), 1-6.
- Theocharides, S., Makrides, G., Georghiou, G. E., & Kyprianou, A. (2018). Machine learning algorithms for photovoltaic system power output prediction, 2018 IEEE International Energy Conference (ENERGYCON), Limassol, 2018, pp. 1-6.
- Tiryaki, S., & Aydın, A. (2014). An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model. Construction and Building Materials, 62, 102-108.
- Voyant, C., Notton, G., Kalogirou, S., Nivet, M. L., Paoli, C., Motte, F., & Fouilloy, A. (2017). Machine learning methods for solar radiation forecasting: A review, Renewable Energy, 105, 569-582.
- World Energy Council (2018). Energy Resources (Solar). Retrieved from https://www.worldenergy.org/data/resources/resource/solar/
- Yurdadoğ, V., & Tosunoğlu, Ş. (2017). Renewable energy support policies in Turkey. Eurasian academy of sciences eurasian business & economics journal, 9, 1-21.
- Zheng, A. (2015). Evaluating Machine Learning Models, Farnham, U.K.:O’Reilly Media, Inc
| APA | UĞUZ S, ORAL O, ÇAĞLAYAN N (2019). PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. , 769 - 779. 10.29137/umagd.514933 |
| Chicago | UĞUZ Sinan,ORAL Okan,ÇAĞLAYAN Nuri PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. (2019): 769 - 779. 10.29137/umagd.514933 |
| MLA | UĞUZ Sinan,ORAL Okan,ÇAĞLAYAN Nuri PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. , 2019, ss.769 - 779. 10.29137/umagd.514933 |
| AMA | UĞUZ S,ORAL O,ÇAĞLAYAN N PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. . 2019; 769 - 779. 10.29137/umagd.514933 |
| Vancouver | UĞUZ S,ORAL O,ÇAĞLAYAN N PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. . 2019; 769 - 779. 10.29137/umagd.514933 |
| IEEE | UĞUZ S,ORAL O,ÇAĞLAYAN N "PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi." , ss.769 - 779, 2019. 10.29137/umagd.514933 |
| ISNAD | UĞUZ, Sinan vd. "PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi". (2019), 769-779. https://doi.org/10.29137/umagd.514933 |
| APA | UĞUZ S, ORAL O, ÇAĞLAYAN N (2019). PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 11(3), 769 - 779. 10.29137/umagd.514933 |
| Chicago | UĞUZ Sinan,ORAL Okan,ÇAĞLAYAN Nuri PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi 11, no.3 (2019): 769 - 779. 10.29137/umagd.514933 |
| MLA | UĞUZ Sinan,ORAL Okan,ÇAĞLAYAN Nuri PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, vol.11, no.3, 2019, ss.769 - 779. 10.29137/umagd.514933 |
| AMA | UĞUZ S,ORAL O,ÇAĞLAYAN N PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi. 2019; 11(3): 769 - 779. 10.29137/umagd.514933 |
| Vancouver | UĞUZ S,ORAL O,ÇAĞLAYAN N PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi. 2019; 11(3): 769 - 779. 10.29137/umagd.514933 |
| IEEE | UĞUZ S,ORAL O,ÇAĞLAYAN N "PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi." Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 11, ss.769 - 779, 2019. 10.29137/umagd.514933 |
| ISNAD | UĞUZ, Sinan vd. "PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi". Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi 11/3 (2019), 769-779. https://doi.org/10.29137/umagd.514933 |
