Research Article
BibTex RIS Cite

DEEP-LEARNING BASED MAXIMUM POWER POINT PREDICTION FOR A PV SYSTEM UNDER PARTIAL SHADING CONDITIONS

Year 2023, , 589 - 603, 03.09.2023
https://doi.org/10.17780/ksujes.1195499

Abstract

In this study, the maximum power point is estimated using deep learning method for a photovoltaic (PV) system under partial shading conditions. The data set to be used in the study is created by modeling the PV system in Matlab/Simulink environment. The success of the deep learning network is examined for different number of layers and number of neurons using these data. Model success is evaluated with mean absolute percent error (MAPE), mean absolute error (MAE), root mean square error (RMSE) statistical evaluation criteria. From the tables and graphics obtained as a result of the study, it is observed that the three-layers and 64-neurons system in the training set gives more successful results.

References

  • Alaskar, H., & Saba, T. (2021). Machine Learning and Deep Learning: A Comparative Review. Proceedings of Integrated Intelligence Enable Networks and Computing, 143-150.
  • Balkan, A. (2022). Şebeke bağlantılı bir fotovoltaik güç üretim santralinin tasarım aşamaları ve güç boyutlandırma faktörünün önemi. Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi Fen Bilimleri Enstitüsü, Çankırı.
  • Bassam, A.-H. (2018). Maximum Power Point Tracking Controlled Boost Converter Desing For Battery Charger. (MSc. Thesis). Yıldız Technical University,
  • Can, Y. (2020). Makine Öğrenmesi ve Derin Öğrenme Yöntemleri İle Dizel Motor Turbo Kompresör Sisteminin Modellenmesi.
  • Dandıl, E., & Gürgen, E. (2019). Yapay Sinir Ağları Kullanılarak Fotovoltaik Panel Güç Çıkışlarının Tahmini ve Sezgisel Algoritmalar ile Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi(16), 146-158.
  • EİGM. (2021). Yenilenebilir Enerji Kaynakları. https://enerji.gov.tr/eigm-yenilenebilir-enerji-kaynaklar-gunes Accessed 15.05.2021
  • Eltez, E. B. (2022). Otopark üstü fotovoltaik güç sisteminin parametrik tasarımı. Yüksek Lisans Tezi, Ege Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
  • Gültepe, Y. (2019). Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi(16), 8-15.
  • Karakaya, H. B. (2021). Fotovoltaik sistemlerde maksimum güç noktasının takibi için kullanılan optimizasyon algoritmalarının performansının değerlendirilmesi.Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü, Kahramanmaraş.
  • Keçecioğlu, Ö. F., Tekin, M., Ahmet, G., Açıkgöz, H., Gemci, A., & Şekkeli, M. (2015). Bir güneş enerji santralinin elektrik şebekesindeki güç kalitesi parametrelerine etkisinin incelenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 18(2), 17-24.
  • Keskin, Y. E. (2014). Fotovoltaik sistemlerde maksimum güç noktası izleme yöntemlerinin karşılaştırılması. Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü,
  • Kılıç, E. (2019). DA-DA yükselten dönüştürücü ile elektrikli araç batarya şarj cihazi tasarimi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 22(4), 281-287.
  • LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
  • Lewis Colin, D. (1982). Industrial and business forecasting methods. Butterwoth & Co Publishers Ltd.
  • Mathew, A., Amudha, P., & Sivakumari, S. (2020). Deep learning techniques: an overview. Paper presented at the International conference on advanced machine learning technologies and applications.
  • Mellit, A., Massi Pavan, A., Ogliari, E., Leva, S., & Lughi, V. (2020). Advanced methods for photovoltaic output power forecasting: A review. Applied Sciences, 10(2), 487.
  • Mellit, A., Pavan, A. M., & Lughi, V. (2014). Short-term forecasting of power production in a large-scale photovoltaic plant. Solar Energy, 105, 401-413.
  • Özçalık, H. R., Yılmaz, S., & Kılıç, E. (2013). Güneş Pilinin Bir Diyotlu Eşdeğer Devre Yardımıyla Matematiksel Modelinin Çıkartılması ve Parametrelerinin İncelenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 16(1), 23-29.
  • Özçelik, M. A. (2015). Fotovoltaik sistemlerde verim ve performansın artırılmasına yönelik maksimum güç noktası izleyicisi tasarımı.
  • Qassab, K. S. Q. (2015). Design and Simulation Of Maximum Power Point Tracking Controller for Solar Photovoltaic Systems by Perturb and Observe Method. Yüksek Lisans Tezi, Atılım Üniversitesi Fen Bilimleri Enstitüsü, Ankara,
  • Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117.
  • Shinde, P. P., & Shah, S. (2018). A review of machine learning and deep learning applications. Paper presented at the 2018 Fourth international conference on computing communication control and automation (ICCUBEA).
  • Witt, S. F., & Witt, C. A. (1992). Modeling and forecasting demand in tourism: Academic Press Ltd.
  • Yousefi-Azar, M., & Hamey, L. (2017). Text summarization using unsupervised deep learning. Expert Systems with Applications, 68, 93-105.

KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ

Year 2023, , 589 - 603, 03.09.2023
https://doi.org/10.17780/ksujes.1195499

Abstract

Bu çalışmada, kısmi gölgelenme koşulları (KGK) altındaki bir fotovoltaik (FV) sistemin, maksimum güç noktası (MGN) derin öğrenme yöntemi kullanılarak tahmin edilmiştir. Çalışmada kullanılacak veri seti Matlab/Simulink ortamında FV sistem modellenerek oluşturulmuştur. Bu veriler kullanılarak derin öğrenme ağının farklı katman sayısı ve nöron sayısı için başarısı incelenmiştir. Model başarısı ortalama mutlak yüzde hata (MAPE), ortalama mutlak hata (MAE), ortalama hata karekökü (RMSE) istatistiksel performans kriterleri ile değerlendirilmiştir. Çalışma sonucunda elde edilen tablo ve grafiklerden eğitim setindeki üç katmanlı ve 64 nöronlu sistemin daha başarılı sonuçlar verdiği gözlemlenmiştir.

References

  • Alaskar, H., & Saba, T. (2021). Machine Learning and Deep Learning: A Comparative Review. Proceedings of Integrated Intelligence Enable Networks and Computing, 143-150.
  • Balkan, A. (2022). Şebeke bağlantılı bir fotovoltaik güç üretim santralinin tasarım aşamaları ve güç boyutlandırma faktörünün önemi. Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi Fen Bilimleri Enstitüsü, Çankırı.
  • Bassam, A.-H. (2018). Maximum Power Point Tracking Controlled Boost Converter Desing For Battery Charger. (MSc. Thesis). Yıldız Technical University,
  • Can, Y. (2020). Makine Öğrenmesi ve Derin Öğrenme Yöntemleri İle Dizel Motor Turbo Kompresör Sisteminin Modellenmesi.
  • Dandıl, E., & Gürgen, E. (2019). Yapay Sinir Ağları Kullanılarak Fotovoltaik Panel Güç Çıkışlarının Tahmini ve Sezgisel Algoritmalar ile Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi(16), 146-158.
  • EİGM. (2021). Yenilenebilir Enerji Kaynakları. https://enerji.gov.tr/eigm-yenilenebilir-enerji-kaynaklar-gunes Accessed 15.05.2021
  • Eltez, E. B. (2022). Otopark üstü fotovoltaik güç sisteminin parametrik tasarımı. Yüksek Lisans Tezi, Ege Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
  • Gültepe, Y. (2019). Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi(16), 8-15.
  • Karakaya, H. B. (2021). Fotovoltaik sistemlerde maksimum güç noktasının takibi için kullanılan optimizasyon algoritmalarının performansının değerlendirilmesi.Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi Fen Bilimleri Enstitüsü, Kahramanmaraş.
  • Keçecioğlu, Ö. F., Tekin, M., Ahmet, G., Açıkgöz, H., Gemci, A., & Şekkeli, M. (2015). Bir güneş enerji santralinin elektrik şebekesindeki güç kalitesi parametrelerine etkisinin incelenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 18(2), 17-24.
  • Keskin, Y. E. (2014). Fotovoltaik sistemlerde maksimum güç noktası izleme yöntemlerinin karşılaştırılması. Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü,
  • Kılıç, E. (2019). DA-DA yükselten dönüştürücü ile elektrikli araç batarya şarj cihazi tasarimi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 22(4), 281-287.
  • LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
  • Lewis Colin, D. (1982). Industrial and business forecasting methods. Butterwoth & Co Publishers Ltd.
  • Mathew, A., Amudha, P., & Sivakumari, S. (2020). Deep learning techniques: an overview. Paper presented at the International conference on advanced machine learning technologies and applications.
  • Mellit, A., Massi Pavan, A., Ogliari, E., Leva, S., & Lughi, V. (2020). Advanced methods for photovoltaic output power forecasting: A review. Applied Sciences, 10(2), 487.
  • Mellit, A., Pavan, A. M., & Lughi, V. (2014). Short-term forecasting of power production in a large-scale photovoltaic plant. Solar Energy, 105, 401-413.
  • Özçalık, H. R., Yılmaz, S., & Kılıç, E. (2013). Güneş Pilinin Bir Diyotlu Eşdeğer Devre Yardımıyla Matematiksel Modelinin Çıkartılması ve Parametrelerinin İncelenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 16(1), 23-29.
  • Özçelik, M. A. (2015). Fotovoltaik sistemlerde verim ve performansın artırılmasına yönelik maksimum güç noktası izleyicisi tasarımı.
  • Qassab, K. S. Q. (2015). Design and Simulation Of Maximum Power Point Tracking Controller for Solar Photovoltaic Systems by Perturb and Observe Method. Yüksek Lisans Tezi, Atılım Üniversitesi Fen Bilimleri Enstitüsü, Ankara,
  • Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117.
  • Shinde, P. P., & Shah, S. (2018). A review of machine learning and deep learning applications. Paper presented at the 2018 Fourth international conference on computing communication control and automation (ICCUBEA).
  • Witt, S. F., & Witt, C. A. (1992). Modeling and forecasting demand in tourism: Academic Press Ltd.
  • Yousefi-Azar, M., & Hamey, L. (2017). Text summarization using unsupervised deep learning. Expert Systems with Applications, 68, 93-105.
There are 24 citations in total.

Details

Primary Language Turkish
Subjects Electrical Engineering
Journal Section Electrical and Electronics Engineering
Authors

Ramazan Akdere 0000-0002-2756-3474

Erdal Kılıc 0000-0002-1572-6109

Ö. Fatih Keçecioğlu 0000-0001-7004-4947

Publication Date September 3, 2023
Submission Date October 27, 2022
Published in Issue Year 2023

Cite

APA Akdere, R., Kılıc, E., & Keçecioğlu, Ö. F. (2023). KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(3), 589-603. https://doi.org/10.17780/ksujes.1195499