Günümüzde, güneş enerji santrallerine yapılan yatırımlar her geçen gün kayda değer derecede artış göstermektedir. Güneş enerjisinin meteorolojik parametrelere bağlı olarak değişken olması enerji üretiminin planlanmasını nispeten zorlaştırmaktadır. Bu durum şebeke işletme problemlerine yol açabileceğinden güneş enerjisi tahmini önemli bir konu haline gelmiştir. Bu çalışmada, makine öğrenmesi metotlarının kısa-dönemli güneş enerjisi tahmini yapabilirliği karşılaştırılmıştır. İlk olarak, Avustralya, Alice Springs’de bulunan bir güneş enerji merkezindeki 1B: Trina isimli santralin çıkış güç verisi ve bölgedeki ölçüm istasyonundan alınan meteorolojik parametrelerden oluşan bir veri seti elde edilmiştir. Daha sonra güç verisi Ampirik mod ayrıştırma yöntemi ile alt bileşenlerine ayrılmıştır. Bu çalışmada, güneş enerjisinin tahmini için Doğrusal Regresyon (DR), Destek Vektör Makinesi (DVM), Karar Ağacı Regresyonu (KAR), Gauss Süreç Regresyonu (GSR) ve Topluluk Regresyonu (TR) gibi en çok kullanılan yöntemler tercih edilmiştir. Bu yöntemlerin farklı tahmin ufuklarındaki tahmin performanslarını değerlendirmek için karşılaştırma çalışmaları gerçekleştirilmiştir. Bu çalışmalarda, tüm makine öğrenme yöntemleri için R, RMSE ve MAE gibi performans metrik sonuçları hesaplanmıştır. Elde edilen metrik sonuçlarına göre DVM’nin en iyi tahmin sonucunu sağladığı gözlemlenmiştir.
Today, investments in solar power plants are increasing significantly every day. The variation of solar energy depending on the meteorological parameters makes the planning of energy production relatively difficult. Since this situation can lead to network operating problems, solar energy forecast has become an important topic. In this study, the ability of machine learning methods to predict short-term solar energy was compared. First, a set of data consisted of 1B: Trina power output data and meteorological parameters obtained from the measurement station in the area at a solar energy center in Alice Springs, Australia. The power data is then divided into the subcomponents with the Ampiric mode separation method. In this study, the most commonly used methods for the prediction of solar energy, such as Direct Regression (DR), Support Vector Machine (DVM), Decision Tree Regression (KAR), Gauss Process Regression (GSR) and Community Regression (TR), were selected. Comparative studies have been carried out to assess the predictive performance of these methods in different forecast horizons. In these studies, performance metric results such as R, RMSE and MAE for all machine learning methods were calculated. According to the metric results obtained, DVM has been observed to provide the best forecast outcome.
Alan : Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|