Izgara kirlilik değeri farklı konumlara yerleştirilen sensörlerin ölçtüğü basınç değerlerinden elde edilmektedir. Sensörlerin kalibrasyonunun bozulması veya çevresel faktörlerle hatalı ölçümler yapılması ünitelerin verimsiz ve sağlıksız çalışmalarına neden olmaktadır. Bu çalışmada, ilk olarak Karkamış hidroelektrik santralinin SCADA sisteminden alınan örneklerden oluşan bir veri seti toplanmıştır. Bu veri seti sensörlerden alınan debi, güç, düşü ve ızgara kirliliğine ait ölçümlerden oluşmaktadır. Izgara kirlilik tahminini gerçekleştirmek için toplanan veri seti eğitim, doğrulama ve test alt setlerine ayrılmıştır. Eğitim verileri ile makine öğrenme yöntemleri için eğitim çalışması gerçekleştirilmiştir. Daha sonra ise ızgara kirlilik tahmini için makine öğrenme yöntemlerinin performansları test veri seti üzerinde farklı ünitelerde karşılaştırılmıştır. Gerçekleştirilen çalışmalardan, ince ağaç modeli ile en iyi korelasyon katsayısı (R) değerlerini ünite-1 için 0.9833, ünite-2 için 0.9716, ünite-4 için 0.9792 ve ünite-5 içinde 0.9810 ile sağlamıştır. Elde edilen sonuçlardan makine öğrenme yöntemleri ile ızgara kirlilik tahminin etkin bir şekilde yapılabileceği açıkça gözlemlenmiştir.
Izgara kirlilik tahmini Makine öğrenmesi Karar ağaçları Destek vektör makineleri
The grid pollution value is obtained from the pressure values measured by sensors placed at different locations. Deterioration of the calibration of the sensors or incorrect measurements due to environmental factors cause the units to operate inefficiently and unhealthily. In this study, firstly, a dataset consisting of samples taken from the SCADA system of Karkamış hydroelectric power plant are collected. This dataset consists of flow, power, head and grid pollution measurements taken from the sensors. The collected dataset is divided into training, validation and test subsets to perform grid pollution prediction. Training study is realized for machine learning methods with training data. Then, the performances of machine learning methods for grid pollution prediction are compared on different units on the testing dataset. From the studies, the best correlation coefficient (R) values are provided with the thin tree model as 0.9833 for unit-1, 0.9716 for unit-2, 0.9792 for unit-4 and 0.9810 for unit-5. It is clearly observed from the obtained results that grid pollution prediction can be done effectively with machine learning methods.
Grid pollution prediction machine learning decision trees support vector machines
Birincil Dil | Türkçe |
---|---|
Konular | Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil, Fotovoltaikler Hariç) |
Bölüm | Elektrik Elektronik Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Haziran 2025 |
Gönderilme Tarihi | 20 Ekim 2024 |
Kabul Tarihi | 17 Ocak 2025 |
Yayımlandığı Sayı | Yıl 2025Cilt: 28 Sayı: 2 |