Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini

Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kap...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü 2022-12, Vol.13 (Ek (Suppl.) 1), p.382-387
Hauptverfasser: ÇETİN, Ömer, ISIK, Ali Hakan
Format: Artikel
Sprache:eng
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 387
container_issue Ek (Suppl.) 1
container_start_page 382
container_title Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü
container_volume 13
creator ÇETİN, Ömer
ISIK, Ali Hakan
description Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kapsamda güneş enerjisi santrallerine yönelik teşvikler de oldukça fazladır. Son zamanlarda birçok yatırımcı güneş enerjisi santrali kurmak istemektedir. Güneş enerjisi santrali kurmak yüksek yatırım maliyeti gerektirdiğinden amortisman sürelerinin hesaplanabilmesi yatırım kararı vermekte önemli rol oynamaktadır. Teknolojinin gelişmesi, bu maliyetlerin amortisman sürelerini yapay zekâ algoritmaları ile tahmin etmeyi mümkün kılmıştır. Bu çalışmada, gerçek güneş enerjisi santrali verileri kullanılarak, derin öğrenme algoritmaları ile gelecekte üretilebilecek enerji verileri tahmin edilmiştir. Veriler, Humartaş Enerji firmasına ait güneş enerjisi santrallerinden alınmıştır. Çalışmada zaman serisi algoritmalarında yoğunlukla kullanılan LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) yöntemi kullanılarak analizler ve tahminler yapılmıştır. Çalışmanın hata oranı %1 ile %17 arasında olduğu görülmüştür. Bu çalışmanın rüzgâr, hidrolik, jeotermal enerji gibi diğer yenilenebilir enerji kaynakları içinde kullanılabileceği öngörülmektedir. Today, with the intensive use of electrical devices, the need for electricity has increased. Fossil fuels are generally used to meet this need. However, to reduce the damage caused by fossil fuels to the environment, governments offer various incentives to renewable energy sources. In this context, incentives for solar power plants are also quite high. Recently, many investors wanted to establish a solar power plant. Since establishing a solar power plant requires high investment costs, the calculation of amortization periods plays an important role in making investment decisions. The development of technology has made it possible to predict the amortization times of these costs with artificial intelligence algorithms. In this study, energy data that can be produced in the future have been estimated with deep learning algorithms using real solar power plant data. The data were taken from solar power plants belonging to Humartaş Energy company. In the study, analyzes and predictions were made using the LSTM (Long Short-Term Memory) method, which is used extensively in time series algorithms. The error rate of the study was found to be b
doi_str_mv 10.29048/makufebed.1144631
format Article
fullrecord <record><control><sourceid>crossref</sourceid><recordid>TN_cdi_crossref_primary_10_29048_makufebed_1144631</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>10_29048_makufebed_1144631</sourcerecordid><originalsourceid>FETCH-LOGICAL-c921-9d0e9f406cfb97e40cef9e7e5edcb54d8d039cfd6da48d3c86b7310567ca43b3</originalsourceid><addsrcrecordid>eNpN0D9OwzAYBXALgURVegEmXyDlc-z88ViVUCpVYkj3yLE_CzdOQE4YehEmpJ6BnS3lXgioENN7w9MbfoRcM5jHEkR-06rmxWKNZs6YEClnZ2TCOMgojgU__9cvyazvdwAQ55JLSCekvMXgOjq-Hg8Buxap80hX40eHnwdadBh2rne0VN0QlPffW4N0sffH94YWHpshuIaObwEH19Ktemxd567IhVW-x9kpp6S8K7bL-2jzsFovF5tIy5hF0gBKKyDVtpYZCtBoJWaYoNF1IkxugEttTWqUyA3XeVpnnEGSZloJXvMpiX9fdXjq-4C2eg6uVWFfMah-XKo_l-rkwr8AcGFd3w</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini</title><source>DOAJ Directory of Open Access Journals</source><creator>ÇETİN, Ömer ; ISIK, Ali Hakan</creator><creatorcontrib>ÇETİN, Ömer ; ISIK, Ali Hakan</creatorcontrib><description>Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kapsamda güneş enerjisi santrallerine yönelik teşvikler de oldukça fazladır. Son zamanlarda birçok yatırımcı güneş enerjisi santrali kurmak istemektedir. Güneş enerjisi santrali kurmak yüksek yatırım maliyeti gerektirdiğinden amortisman sürelerinin hesaplanabilmesi yatırım kararı vermekte önemli rol oynamaktadır. Teknolojinin gelişmesi, bu maliyetlerin amortisman sürelerini yapay zekâ algoritmaları ile tahmin etmeyi mümkün kılmıştır. Bu çalışmada, gerçek güneş enerjisi santrali verileri kullanılarak, derin öğrenme algoritmaları ile gelecekte üretilebilecek enerji verileri tahmin edilmiştir. Veriler, Humartaş Enerji firmasına ait güneş enerjisi santrallerinden alınmıştır. Çalışmada zaman serisi algoritmalarında yoğunlukla kullanılan LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) yöntemi kullanılarak analizler ve tahminler yapılmıştır. Çalışmanın hata oranı %1 ile %17 arasında olduğu görülmüştür. Bu çalışmanın rüzgâr, hidrolik, jeotermal enerji gibi diğer yenilenebilir enerji kaynakları içinde kullanılabileceği öngörülmektedir. Today, with the intensive use of electrical devices, the need for electricity has increased. Fossil fuels are generally used to meet this need. However, to reduce the damage caused by fossil fuels to the environment, governments offer various incentives to renewable energy sources. In this context, incentives for solar power plants are also quite high. Recently, many investors wanted to establish a solar power plant. Since establishing a solar power plant requires high investment costs, the calculation of amortization periods plays an important role in making investment decisions. The development of technology has made it possible to predict the amortization times of these costs with artificial intelligence algorithms. In this study, energy data that can be produced in the future have been estimated with deep learning algorithms using real solar power plant data. The data were taken from solar power plants belonging to Humartaş Energy company. In the study, analyzes and predictions were made using the LSTM (Long Short-Term Memory) method, which is used extensively in time series algorithms. The error rate of the study was found to be between 1% and 17%. It is predicted that this study can be used in other renewable energy sources such as wind, hydraulic, geothermal energy.</description><identifier>ISSN: 1309-2243</identifier><identifier>EISSN: 1309-2243</identifier><identifier>DOI: 10.29048/makufebed.1144631</identifier><language>eng</language><ispartof>Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü, 2022-12, Vol.13 (Ek (Suppl.) 1), p.382-387</ispartof><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed><citedby>FETCH-LOGICAL-c921-9d0e9f406cfb97e40cef9e7e5edcb54d8d039cfd6da48d3c86b7310567ca43b3</citedby><cites>FETCH-LOGICAL-c921-9d0e9f406cfb97e40cef9e7e5edcb54d8d039cfd6da48d3c86b7310567ca43b3</cites><orcidid>0000-0003-3561-9375 ; 0000-0002-2408-3256</orcidid></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><link.rule.ids>314,780,784,864,27924,27925</link.rule.ids></links><search><creatorcontrib>ÇETİN, Ömer</creatorcontrib><creatorcontrib>ISIK, Ali Hakan</creatorcontrib><title>Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini</title><title>Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü</title><description>Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kapsamda güneş enerjisi santrallerine yönelik teşvikler de oldukça fazladır. Son zamanlarda birçok yatırımcı güneş enerjisi santrali kurmak istemektedir. Güneş enerjisi santrali kurmak yüksek yatırım maliyeti gerektirdiğinden amortisman sürelerinin hesaplanabilmesi yatırım kararı vermekte önemli rol oynamaktadır. Teknolojinin gelişmesi, bu maliyetlerin amortisman sürelerini yapay zekâ algoritmaları ile tahmin etmeyi mümkün kılmıştır. Bu çalışmada, gerçek güneş enerjisi santrali verileri kullanılarak, derin öğrenme algoritmaları ile gelecekte üretilebilecek enerji verileri tahmin edilmiştir. Veriler, Humartaş Enerji firmasına ait güneş enerjisi santrallerinden alınmıştır. Çalışmada zaman serisi algoritmalarında yoğunlukla kullanılan LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) yöntemi kullanılarak analizler ve tahminler yapılmıştır. Çalışmanın hata oranı %1 ile %17 arasında olduğu görülmüştür. Bu çalışmanın rüzgâr, hidrolik, jeotermal enerji gibi diğer yenilenebilir enerji kaynakları içinde kullanılabileceği öngörülmektedir. Today, with the intensive use of electrical devices, the need for electricity has increased. Fossil fuels are generally used to meet this need. However, to reduce the damage caused by fossil fuels to the environment, governments offer various incentives to renewable energy sources. In this context, incentives for solar power plants are also quite high. Recently, many investors wanted to establish a solar power plant. Since establishing a solar power plant requires high investment costs, the calculation of amortization periods plays an important role in making investment decisions. The development of technology has made it possible to predict the amortization times of these costs with artificial intelligence algorithms. In this study, energy data that can be produced in the future have been estimated with deep learning algorithms using real solar power plant data. The data were taken from solar power plants belonging to Humartaş Energy company. In the study, analyzes and predictions were made using the LSTM (Long Short-Term Memory) method, which is used extensively in time series algorithms. The error rate of the study was found to be between 1% and 17%. It is predicted that this study can be used in other renewable energy sources such as wind, hydraulic, geothermal energy.</description><issn>1309-2243</issn><issn>1309-2243</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2022</creationdate><recordtype>article</recordtype><recordid>eNpN0D9OwzAYBXALgURVegEmXyDlc-z88ViVUCpVYkj3yLE_CzdOQE4YehEmpJ6BnS3lXgioENN7w9MbfoRcM5jHEkR-06rmxWKNZs6YEClnZ2TCOMgojgU__9cvyazvdwAQ55JLSCekvMXgOjq-Hg8Buxap80hX40eHnwdadBh2rne0VN0QlPffW4N0sffH94YWHpshuIaObwEH19Ktemxd567IhVW-x9kpp6S8K7bL-2jzsFovF5tIy5hF0gBKKyDVtpYZCtBoJWaYoNF1IkxugEttTWqUyA3XeVpnnEGSZloJXvMpiX9fdXjq-4C2eg6uVWFfMah-XKo_l-rkwr8AcGFd3w</recordid><startdate>20221231</startdate><enddate>20221231</enddate><creator>ÇETİN, Ömer</creator><creator>ISIK, Ali Hakan</creator><scope>AAYXX</scope><scope>CITATION</scope><orcidid>https://orcid.org/0000-0003-3561-9375</orcidid><orcidid>https://orcid.org/0000-0002-2408-3256</orcidid></search><sort><creationdate>20221231</creationdate><title>Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini</title><author>ÇETİN, Ömer ; ISIK, Ali Hakan</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c921-9d0e9f406cfb97e40cef9e7e5edcb54d8d039cfd6da48d3c86b7310567ca43b3</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>eng</language><creationdate>2022</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>ÇETİN, Ömer</creatorcontrib><creatorcontrib>ISIK, Ali Hakan</creatorcontrib><collection>CrossRef</collection><jtitle>Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>ÇETİN, Ömer</au><au>ISIK, Ali Hakan</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini</atitle><jtitle>Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü</jtitle><date>2022-12-31</date><risdate>2022</risdate><volume>13</volume><issue>Ek (Suppl.) 1</issue><spage>382</spage><epage>387</epage><pages>382-387</pages><issn>1309-2243</issn><eissn>1309-2243</eissn><abstract>Günümüzde elektrikli cihazların yoğun kullanımı ile elektriğe olan ihtiyaç artmıştır. Bu ihtiyacı karşılamak için genellikle fosil yakıtlar kullanılmaktadır. Ancak fosil yakıtların çevreye verdiği zararı azaltmak için hükümetler yenilenebilir enerji kaynaklarına çeşitli teşvikler sunmaktadır. Bu kapsamda güneş enerjisi santrallerine yönelik teşvikler de oldukça fazladır. Son zamanlarda birçok yatırımcı güneş enerjisi santrali kurmak istemektedir. Güneş enerjisi santrali kurmak yüksek yatırım maliyeti gerektirdiğinden amortisman sürelerinin hesaplanabilmesi yatırım kararı vermekte önemli rol oynamaktadır. Teknolojinin gelişmesi, bu maliyetlerin amortisman sürelerini yapay zekâ algoritmaları ile tahmin etmeyi mümkün kılmıştır. Bu çalışmada, gerçek güneş enerjisi santrali verileri kullanılarak, derin öğrenme algoritmaları ile gelecekte üretilebilecek enerji verileri tahmin edilmiştir. Veriler, Humartaş Enerji firmasına ait güneş enerjisi santrallerinden alınmıştır. Çalışmada zaman serisi algoritmalarında yoğunlukla kullanılan LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) yöntemi kullanılarak analizler ve tahminler yapılmıştır. Çalışmanın hata oranı %1 ile %17 arasında olduğu görülmüştür. Bu çalışmanın rüzgâr, hidrolik, jeotermal enerji gibi diğer yenilenebilir enerji kaynakları içinde kullanılabileceği öngörülmektedir. Today, with the intensive use of electrical devices, the need for electricity has increased. Fossil fuels are generally used to meet this need. However, to reduce the damage caused by fossil fuels to the environment, governments offer various incentives to renewable energy sources. In this context, incentives for solar power plants are also quite high. Recently, many investors wanted to establish a solar power plant. Since establishing a solar power plant requires high investment costs, the calculation of amortization periods plays an important role in making investment decisions. The development of technology has made it possible to predict the amortization times of these costs with artificial intelligence algorithms. In this study, energy data that can be produced in the future have been estimated with deep learning algorithms using real solar power plant data. The data were taken from solar power plants belonging to Humartaş Energy company. In the study, analyzes and predictions were made using the LSTM (Long Short-Term Memory) method, which is used extensively in time series algorithms. The error rate of the study was found to be between 1% and 17%. It is predicted that this study can be used in other renewable energy sources such as wind, hydraulic, geothermal energy.</abstract><doi>10.29048/makufebed.1144631</doi><tpages>6</tpages><orcidid>https://orcid.org/0000-0003-3561-9375</orcidid><orcidid>https://orcid.org/0000-0002-2408-3256</orcidid></addata></record>
fulltext fulltext
identifier ISSN: 1309-2243
ispartof Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü, 2022-12, Vol.13 (Ek (Suppl.) 1), p.382-387
issn 1309-2243
1309-2243
language eng
recordid cdi_crossref_primary_10_29048_makufebed_1144631
source DOAJ Directory of Open Access Journals
title Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-25T20%3A24%3A06IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-crossref&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=Derin%20%C3%96%C4%9Frenme%20ile%20G%C3%BCne%C5%9F%20Enerjisi%20Santrallerinde%20Ayl%C4%B1k%20Elektrik%20%C3%9Cretim%20Tahmini&rft.jtitle=Mehmet%20Akif%20Ersoy%20%C3%9Cniversitesi%20Fen%20Bilimleri%20Enstit%C3%BCs%C3%BC&rft.au=%C3%87ET%C4%B0N,%20%C3%96mer&rft.date=2022-12-31&rft.volume=13&rft.issue=Ek%20(Suppl.)%201&rft.spage=382&rft.epage=387&rft.pages=382-387&rft.issn=1309-2243&rft.eissn=1309-2243&rft_id=info:doi/10.29048/makufebed.1144631&rft_dat=%3Ccrossref%3E10_29048_makufebed_1144631%3C/crossref%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true