Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist gegebenenfalls nur via VPN oder Shibboleth (DFN-AAI) möglich. mehr Informationen...
Fosil kaynakların sınırlı rezervleri, fiyatlarındaki dalgalanmalar ve çevreye verdikleri zarar, ülkeleri birincil enerji kaynaklarına alternatif arayışlarına yöneltmiştir. Sınırsız ve çevre dostu bir kaynak olan güneş enerjisi, diğer enerji kaynaklarına göre güçlü bir alternatiftir. Avrupa Birliği ülkelerinin büyük çoğunluğu güneş enerjisinden elektrik üretiminde tüketicilere birçok teşvik mekanizması ile çeşitli fırsatlar sunmakta ve yaygın olarak kullanılmasını sağlamaktadır. Dünyanın pek çok yerinde; güneş, rüzgâr, hidrojen ve jeotermal gibi yenilenebilir enerji kaynaklarına olan ilgi de artmaktadır. Tüm bunların yanında, alternatif enerji kaynaklarının kullanılması ve enerji eldesinin daha verimli hale getirilmesi için araştırmalar devam etmektedir. Güneş enerjisinden elektrik eldesi için gerekli olan ışınım değeri, gün içindeki hava durumuna ve mevsim özelliklerine göre değişmektedir. Güneş enerjisi santrallerinin kurulduğu bölgedeki iklim koşulları, fotovoltaik panellerden elde edilecek çıkış gücünü ve enerji maliyetini doğrudan etkiler. Çevresel şartlara göre fotovoltaik panellerden üretilen çıkış gücünün tahminlenmesi, güneş enerji sistemlerinin kurulumunda şirketlere rehberlik etmesi, maksimum enerji eldesi, enerjinin yönetimi ve sistemin verimli çalıştırılabilmesi için büyük önem arz etmektedir. Bu çalışmada, kurulumu yapılan fotovoltaik panellerden elde edilen veriler (Sıcaklık, Nem, Basınç, Işınım) kullanılarak güç değerlerinin tahminlenmesi için ileri beslemeli geriye yayılımlı yapay sinir ağları ve KNN (K-Nearest Neighbors) yöntemleri kullanılmıştır. Böylece gerçek saha şartlarında elde edilen panel değerleri her iki yöntemle de eğitilerek sonuçları karşılaştırılmıştır. Sonuç olarak panelin güç değerleri en yüksek %98.7945 doğrulukla geliştirilen yapay sinir ağı modeli kullanılarak sınıflandırılmıştır. Bu çalışma kapsamında geliştirilen güneş enerjisi tahmini için kullanılan makine öğrenmesi modellerinin yüksek performansa sahip olduğu ve gerçek değerlere çok yakın sonuçlar üretebildiği görülmüştür. Ayrıca belirlenen yük talebine göre farklı özelliklere sahip lokasyonlarda geliştirilen her iki yapay zekâ modelinin de kullanılabileceği sonucuna varılmıştır.
The limited reserves of fossil resources, the fluctuations in their prices and the damage they cause to the environment have led countries to seek alternatives to primary energy resources. Solar energy, which is an unlimited and environmentally friendly resource, is a powerful alternative to other energy sources. The majority of the European Union countries offer various opportunities to consumers in electricity generation from solar energy with many incentive mechanisms and ensure their widespread use. In many parts of the world, interest in renewable energy sources such as solar, wind, hydrogen and geothermal is also growing. In addition to all these, researches are continuing to use alternative energy sources and to make energy production more efficient. The radiation value required to obtain electricity from solar energy varies according to the weather conditions during the day and seasonal characteristics. The climatic conditions in the area where solar power plants are installed directly affect the output power and energy cost to be obtained from photovoltaic panels. Estimating the output power produced from photovoltaic panels according to environmental conditions, guiding companies in the installation of solar energy systems, obtaining maximum energy, energy management and efficient operation of the system are of great importance. In this study, feedforward back propagation artificial neural networks and KNN (K-Nearest Neighbors) methods were used to estimate power values using the data (Temperature, Humidity, Pressure, Radiation) obtained from the installed photovoltaic panels. Thus, the panel values obtained under real field conditions were trained with both methods and the results were compared. As a result, the power values of the panel were classified using the artificial neural network model developed with the highest accuracy of 98.7945%. It has been seen that the machine learning models used for solar energy estimation developed within the scope of this study have high performance and can produce results very close to the real values. In addition, it was concluded that both artificial intelligence models developed in locations with different characteristics according to the determined load demand can be used.