Düzce Üniversitesi kampüsünün günlük güneş enerjisi ile elektrik enerjisi üretim değerinin gün öncesinden derin öğrenme yöntemi ile tahmin edilmesi
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Araştırmamızda Düzce Üniversitesi kampüs bölgesinde günlük güneş enerjisi ve elektrik üretimine ilişkin verilerin derin öğrenme teknikleriyle bir gün öncesinden tahmin edilmesi amaçlanmaktadır. Gün öncesinden tahmin yapılmasının sebebi, gerçekleştirilen bu çalışma sonucunda güneş enerjisi ve elektrik üretim değerlerinin tahmin edilmesi, aşırı üretim veya yetersiz üretim gibi olası durumlara karşı önceden önlem almayı mümkün kılmaktadır. Ayrıca, bir gün sonrasına ait güvenilir üretim tahminleri yapılmış ve üretim ile tüketim arasındaki planlamalar için sağlam öngörüler elde edilmiştir. Bunun yanı sıra, üniversite kampüsleri gibi geniş ölçekli tüketim alanları, enerji tüketiminin üretimle dengeli bir şekilde optimize edilmesine önemli bir katkı sağlanmıştır. Bu sayede, gereksiz enerji tüketimlerinin önüne geçilmesi ve aşırı üretimin kontrol altına alınmasıyla ekonomik verimliliğin artırılması hedeflenmiştir. Enerji yönetim sisteminin oluşturulmasına yardımcı olacak alt yapı oluşturulması sağlanacaktır.Bu çalışmada derin öğrenme ile insan beyninin nöron temelli bilgi işleme yapısı taklit edilerek güneş enerjisinden enerji üretim tahmini yapılmaya çalışılmıştır. Güneş ışınımının tahminine yönelik etkili bir model geliştirmek için BiLSTM yönteminin sunduğu avantajlardan faydalanılmıştır. Geliştirilen modelin, geçmiş saatlik enerji üretim verilerini temel alarak bir sonraki günün saatlik enerji üretim tahminlerini gerçekleştirmesi hedeflenmiş; bu tahminler doğrultusunda ise gün öncesinden tahmin yapabilen bir modelin geliştirilmesi amaçlanmıştır. Çalışmada geliştirilen BiLSTM modeli, yazılım kullanılarak kurgulanmış ve bu model aracılığıyla bölgenin gün öncesinden elektrik enerjisi üretim tahmini yapabilmesi amaçlanmıştır. Modelin geliştirilme sürecinde öncelikle güneş enerjisi benzetim yazılımı kullanılarak bölgenin enerji üretim potansiyeli belirlenmiş, elde edilen enerji sıcaklık verileri mevsimsel olarak ayrılmış ve kullanılan yazılımda temel girdi olarak kullanılmıştır. Elde edilen bu veri setleri, yazılım ortamında modeli eğitmek için kullanılmıştır. Modelin tahmin performansını değerlendirmek amacıyla, tahmin hatasına ilişkin R² metriği, MAE, MSE ve RMSE gibi performans ölçütleri kullanılmıştır. Aynı zamanda, modelin doğruluk performansları, yazılım aracılığı ile kullanılabilen Curve Fitting Toolbox yöntemiyle karşılaştırılmış ve elde edilen sonuçların güvenilirliği ayrıntılı bir şekilde analiz edilmiştir. Bununla beraber geliştirilen modeller üzerinde testler yapılmıştır. Sonuçlar, incelenen tüm veri setlerinde BiLSTM modelinin, Curve Fitting Toolbox yöntemine kıyasla daha yüksek bir R² metriği değeri ve daha düşük hata oranları sunduğunu ortaya koymuştur.
This study aims to forecast daily solar energy and electricity generation in the Düzce University campus area one day in advance using deep learning techniques. The rationale behind day-ahead forecasting lies in enabling proactive measures against potential issues such as overproduction or underproduction. Reliable production estimates for the following day allow for effective planning between energy generation and consumption. Particularly for large-scale consumption areas such as university campuses, this contributes significantly to optimizing energy use in balance with production. As a result, unnecessary energy consumption can be prevented, overproduction can be controlled, and economic efficiency can be improved. The study also aims to establish an infrastructure to support energy management systems. In this research, deep learning was employed to mimic the neuron-based information processing structure of the human brain for forecasting energy production from solar radiation. To develop an effective model for solar radiation prediction, the advantages of the Bidirectional Long Short-Term Memory (BiLSTM) method were utilized. The developed model aimed to forecast the hourly energy production of the next day based on past hourly energy data, thereby enabling a day-ahead prediction capability. The BiLSTM model was implemented through software tools, allowing for day-ahead electricity production forecasts specific to the region. In the model development process, a solar energy simulation software was first used to determine the energy production potential of the region. The obtained solar and temperature data were seasonally categorized and used as core inputs. These datasets were employed for training the model within a software environment. To evaluate the forecasting performance of the model, metrics such as R², MAE, MSE, and RMSE were applied. Additionally, the model's accuracy was compared with the Curve Fitting Toolbox method available in the software, and the reliability of the results was comprehensively analyzed through testing. The findings demonstrated that the BiLSTM model consistently outperformed the Curve Fitting Toolbox in all datasets, delivering higher R² values and lower error rates.
This study aims to forecast daily solar energy and electricity generation in the Düzce University campus area one day in advance using deep learning techniques. The rationale behind day-ahead forecasting lies in enabling proactive measures against potential issues such as overproduction or underproduction. Reliable production estimates for the following day allow for effective planning between energy generation and consumption. Particularly for large-scale consumption areas such as university campuses, this contributes significantly to optimizing energy use in balance with production. As a result, unnecessary energy consumption can be prevented, overproduction can be controlled, and economic efficiency can be improved. The study also aims to establish an infrastructure to support energy management systems. In this research, deep learning was employed to mimic the neuron-based information processing structure of the human brain for forecasting energy production from solar radiation. To develop an effective model for solar radiation prediction, the advantages of the Bidirectional Long Short-Term Memory (BiLSTM) method were utilized. The developed model aimed to forecast the hourly energy production of the next day based on past hourly energy data, thereby enabling a day-ahead prediction capability. The BiLSTM model was implemented through software tools, allowing for day-ahead electricity production forecasts specific to the region. In the model development process, a solar energy simulation software was first used to determine the energy production potential of the region. The obtained solar and temperature data were seasonally categorized and used as core inputs. These datasets were employed for training the model within a software environment. To evaluate the forecasting performance of the model, metrics such as R², MAE, MSE, and RMSE were applied. Additionally, the model's accuracy was compared with the Curve Fitting Toolbox method available in the software, and the reliability of the results was comprehensively analyzed through testing. The findings demonstrated that the BiLSTM model consistently outperformed the Curve Fitting Toolbox in all datasets, delivering higher R² values and lower error rates.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
