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

Ramazan Akdere; Erdal Kılıc; Ö. Fatih Keçecioğlu

doi:10.17780/ksujes.1195499

TR EN

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

Öz

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.

Anahtar Kelimeler

Kaynakça

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.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Elektrik Mühendisliği

Bölüm

Araştırma Makalesi

Yazarlar

Ramazan Akdere ^*
0000-0002-2756-3474
Türkiye

Erdal Kılıc
0000-0002-1572-6109
Türkiye

Ö. Fatih Keçecioğlu
0000-0001-7004-4947
Türkiye

Yayımlanma Tarihi

3 Eylül 2023

Gönderilme Tarihi

27 Ekim 2022

Kabul Tarihi

1 Aralık 2022

Yayımlandığı Sayı

Yıl 2023 Cilt: 26 Sayı: 3

DOI

https://doi.org/10.17780/ksujes.1195499

IZ

https://izlik.org/JA53ZK82JT

Kaynak Göster

RIS / Bibtex

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

AMA

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

Chicago

Akdere, Ramazan, Erdal Kılıc, ve Ö. Fatih Keçecioğlu. 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.

EndNote

Akdere R, Kılıc E, Keçecioğlu ÖF (01 Eylül 2023) KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 26 3 589–603.

IEEE

[1]R. Akdere, E. Kılıc, ve Ö. F. Keçecioğlu, “KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 26, sy 3, ss. 589–603, Eyl. 2023, doi: 10.17780/ksujes.1195499.

ISNAD

Akdere, Ramazan - Kılıc, Erdal - Keçecioğlu, Ö. Fatih. “KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 26/3 (01 Eylül 2023): 589-603. https://doi.org/10.17780/ksujes.1195499.

JAMA

1.Akdere R, Kılıc E, Keçecioğlu ÖF. KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2023;26:589–603.

MLA

Akdere, Ramazan, vd. “KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 26, sy 3, Eylül 2023, ss. 589-03, doi:10.17780/ksujes.1195499.

Vancouver

1.Ramazan Akdere, Erdal Kılıc, Ö. Fatih Keçecioğlu. KISMİ GÖLGELENME KOŞULLARINDAKİ FV SİSTEMLERİN DERİN ÖĞRENME TABANLI MAKSİMUM GÜÇ NOKTASI TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 01 Eylül 2023;26(3):589-603. doi:10.17780/ksujes.1195499