Güneş enerji sistemlerinin performans tahmini için yapay sinir ağları ile modellenmesi ve verimliliğin incelenmesi
Yükleniyor...
Dosyalar
Tarih
2019
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Fotovoltaik panel uygulamalarındaki en büyük problemlerden biri ilk kurulum aşamasında sahip oldukları yüksek maliyetlerdir. Fotovoltaik santraller ile ilgili projelendirme ve yatırımlar için enerji santralinin tesis edileceği bölgenin güneş enerjisi potansiyelinin önceden bilinmesi son derece önem arz etmektedir. Fotovoltaik panellerin ürettiği elektrik enerjisi miktarı, başta güneş ışınımı olmak üzere, hava sıcaklığı, nem oranı, rüzgâr hızı ve fotovoltaik panel sıcaklığına bağlıdır. Fotovoltaik uygulamalarına ilişkin projelendirme ve planlama çalışmalarında kullanılacak panellerin çıkış yüklerini önceden bilmek daha doğru bir maliyet yapılandırması sağlayacağından hatalı yatırımlar önlenmiş olacak ve ülke bütçesine katma değer sağlanacaktır. Bunun için panellerin işletileceği bölgeye ait standart olmayan test koşullarını içeren meteorolojik parametrelerin panel gücü üzerindeki etkilerinin önceden saptanması önem teşkil etmektedir. Bu tez çalışmasında çevresel faktörler açısından birbirinden farklı üç bölgede (Adıyaman-Malatya-Şanlıurfa) kurulan ölçüm istasyonları ile çevresel faktörler (güneş ışınımı, sıcaklık, rüzgâr, nem, PV panel sıcaklığı) ve fotovoltaik panellerden elde edilen güç değerleri 1 yıl süre ile ölçülerek kaydedilmiştir. Oluşturulan büyük veri seti üzerinde Yapay Sinir Ağları (YSA) algoritmaları kullanılarak üretilecek güç tahmini için modelleme yapılmıştır. Eğitilen YSA modellerinde %99.93 oranında doğruluk ile tahmin gerçekleştirilmiştir. Meteoroloji Genel Müdürlüğü verileri referans alınarak Adıyaman ili verileri eğitim için kullanılarak YSA modelleri eğitilmiş ve Malatya ile Şanlıurfa verileri test verileri olarak kullanılarak yüksek oranda doğrulukla tahminleme gerçekleştirilmiştir. Eğitilen YSA algoritmaları modelinde, Adıyaman Meteoroloji Müdürlüğü verileri kullanılarak yüksek oranda doğruluk ile güç tahmini gerçekleştirilmiştir. Eğitilen YSA modeli ile Destek Vektör Regresyon modeli sonuçları ile karşılaştırma yapılmış ve YSA ile daha yüksek doğruluk ile tahmin gerçekleştiği görülmüştür. Ayrıca meteorolojik verilerin her birinin etkisi ile veri toplama sıklığının YSA sonuçları üzerindeki etkisi incelenmiştir. Çalışma sonucunda eğitilen yapay sinir ağları modelleri ile dünyanın herhangi bir yerindeki farklı bölgelere ait sıcaklık, nem, rüzgâr, güneş ışınımı gibi meteorolojik parametreleri kullanılarak tesis edilmek istenen fotovoltaik enerji sistemleri için güç tahmini yüksek oranda bir doğrulukla tahmin edilebilecektir. ANAHTAR KELİMELER: Çevresel faktörler, fotovoltaik, verim, yenilenebilir enerji, Yapay Sinir Ağları
One of the biggest problems in photovoltaic panel applications is that they have high costs in the initial installation stage. It is extremely important to know for the project and investments regarding photovoltaic power plants and the solar energy potential of the region where the power plant will be installed. The amount of electric energy produced by photovoltaic panels depends on air temperature, humidity rate, wind velocity and photovoltaic module temperature, and particularly solar radiation. Since knowing the output powers of the panels to be used in project and planning works for photovoltaic applications will provide a more accurate cost configuration, wrong investments will be avoided and the country budget will benefit from added value. Thus, it is very important to determine the effects of meteorological parameters involving non-standard test conditions of the region where panels will be operated on the panel power. In this thesis, by building measuring stations in three regions (Adıyaman-Malatya-Şanlıurfa) where environmental factors are different and the environmental factors (solar radiation, temperature, wind, humidity, PV module temperature) and output power of photovoltaic panels were measured and recorded for a year. By using Artificial Neural Network (ANN) algorithms on the large data set a model was obtained for estimating the power to be generated. In the trained ANN models, the estimation accuracy was 99.93%. By taking the data of the General Directorate of Meteorology as reference, models of ANN were trained by using Adıyaman province; and by using Malatya and Şanlıurfa data as test data, highly estimation accuracy was achieved. In the trained ANN models, the estimation accuracy was highly by using data of the Adıyaman Directorate of Meteorology. The artificial neural networks model was compared with the results of the Support Vector Regression model and it was found that the estimation was realized with higher accuracy with ANN. In addition, the effect of each meteorological data and the frequency of data collection on the ANN results were examined. With the artificial neural network models trained as a result of this study, the energy efficiency for the photovoltaic energy systems desired to be established by using meteorological parameters such as temperature, humidity, wind and solar radiation of various regions anywhere in the world can be estimated accurately. KEYWORDS: Artificial Neural Networks, efficiency, environmental factors, photovoltaic, renewable energy.
One of the biggest problems in photovoltaic panel applications is that they have high costs in the initial installation stage. It is extremely important to know for the project and investments regarding photovoltaic power plants and the solar energy potential of the region where the power plant will be installed. The amount of electric energy produced by photovoltaic panels depends on air temperature, humidity rate, wind velocity and photovoltaic module temperature, and particularly solar radiation. Since knowing the output powers of the panels to be used in project and planning works for photovoltaic applications will provide a more accurate cost configuration, wrong investments will be avoided and the country budget will benefit from added value. Thus, it is very important to determine the effects of meteorological parameters involving non-standard test conditions of the region where panels will be operated on the panel power. In this thesis, by building measuring stations in three regions (Adıyaman-Malatya-Şanlıurfa) where environmental factors are different and the environmental factors (solar radiation, temperature, wind, humidity, PV module temperature) and output power of photovoltaic panels were measured and recorded for a year. By using Artificial Neural Network (ANN) algorithms on the large data set a model was obtained for estimating the power to be generated. In the trained ANN models, the estimation accuracy was 99.93%. By taking the data of the General Directorate of Meteorology as reference, models of ANN were trained by using Adıyaman province; and by using Malatya and Şanlıurfa data as test data, highly estimation accuracy was achieved. In the trained ANN models, the estimation accuracy was highly by using data of the Adıyaman Directorate of Meteorology. The artificial neural networks model was compared with the results of the Support Vector Regression model and it was found that the estimation was realized with higher accuracy with ANN. In addition, the effect of each meteorological data and the frequency of data collection on the ANN results were examined. With the artificial neural network models trained as a result of this study, the energy efficiency for the photovoltaic energy systems desired to be established by using meteorological parameters such as temperature, humidity, wind and solar radiation of various regions anywhere in the world can be estimated accurately. KEYWORDS: Artificial Neural Networks, efficiency, environmental factors, photovoltaic, renewable energy.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
İçel, Y. (2019). Güneş enerji sistemlerinin performans tahmini için yapay sinir ağları ile modellenmesi ve verimliliğin incelenmesi. Yayınlanmış Doktora Tezi, İnönü Üniversitesi.
