TY  - JOUR
T1  - Akıllı Şebekelerde Güneş Enerjisi Üretiminin Zamana Bağlı Olasılıksal Tahmini
AU  - Demirtaş, Mehmet
AU  - Akkoyun, Nuran
AU  - Akkoyun, Emrah
AU  - Çetinbaş, İpek
PY  - 2019
DA  - June
DO  - 10.29109/gujsc.549704
JF  - Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
JO  - GUJS Part C
PB  - Gazi Üniversitesi
WT  - DergiPark
SN  - 2147-9526
SP  - 411
EP  - 424
VL  - 7
IS  - 2
LA  - tr
AB  - Dünyada hızlı nüfus artışı ve fosil yakıtkaynakları rezervlerinin azalışı ile birlikte özellikle güneş enerjisi olmaküzere yenilenebilir enerji kaynaklarına olan talep her geçen gün artmaktadır.Artan enerji ihtiyacını yenilenebilir enerji kaynakları ile akıllı bir yapıformunda karşılayabilmek için akıllı şebekeler geliştirilmiştir. Akıllışebekelerin temel amaçlarından biri, enerji üretim sürecine yenilenebilirenerji kaynaklarının dâhil edilmesi ve kullanımının arttırılmasıdır. Ancak,mevcut elektrik şebekesi sistemlerine kesintili enerji üretimi yapan ve kontroledilemeyen yenilenebilir enerji kaynaklarının dâhil edilmesi beraberindeçeşitli zorlukları da getirmektedir. Değişken elektrik enerjisi talebinin hangiyenilenebilir kaynak tarafından ne zaman karşılanacağının belirlenmesi içinenerji üretiminin önceden tahmin edilmesi bu zorlukların en önemlilerindendir.Bu sebeple bu çalışmada, atmosferik ölçümleri kullanarak santrale özgü ve saatbazlı enerji üretimini tahmin eden bir model geliştirilmiştir. Bu model makineöğrenmesi yaklaşımları ile oluşturulmuş ve enerji üretimi tahmini yapılmıştır.Çoklu doğrusal regresyon, Powell optimizasyonu ve Markov Chain Monte Carlosimülasyonlarına dayanan olasılıklı programlama gibi çeşitli yöntemlerkullanılmış ve tahmin yetenekleri birbirleriyle karşılaştırılmıştır. Enerjiüretimi analitik yaklaşımla %80 doğrulukla tahmin edilirken, olasılıksalyaklaşımla saat bazlı %95 güven aralığında üst ve alt limitini belirtecekşekilde başarılı tahmin edilmiştir. Bu çalışmada elde edilen sonuçlar makineöğrenmesi ile atmosferik veriler kullanılarak değişken enerji üretimininönceden tahmin edilebileceğini göstermiştir. Ayrıca tahmin algoritmalarının,yenilenebilir enerji sistemlerinin mevcut şebekeye entegrasyonunu kolaylaştıracağıve akıllı şebekeyi daha yaygın hale getireceği değerlendirilmektedir.
KW  - Akıllı Şebeke
KW  - Güneş Enerjisi
KW  - Enerji Üretimi Tahmini
KW  - Makine Öğrenmesi
CR  - [1] Sağbaş, A., Başbuğ, B. Sürdürülebilir Kalkınma Ekseninde Enerji Verimliliği Uygulamaları: Türkiye Değerlendirmesi. European Journal of Engineering and Applied Sciences, 1 (2018), 41-48.
CR  - [2] Çetinbaş, İ., Tamyürek, B., Demirtaş, M. Eskişehir Osmangazi Üniversitesi Kampüsünde elektrik tüketim maliyetinin azaltılmasına yönelik FV üretim ve enerji depolama biriminden oluşan bir mikro şebekenin optimal tasarımı. EMO Bilimsel Dergi, 8 (2018), 33-38.
CR  - [3] Chow, SKH, Lee, EWM, Li, DHW. Short-term prediction of photovoltaic energy generation by intelligent approach. Energy and Buildings, 55 (2012), 660-667.
CR  - [4] Elektrik, Web Adresi: https://www.enerji.gov.tr/tr-TR/Sayfalar/Elektrik, Erişim Tarihi: 01.04.2019.
CR  - [5] Ocak 2019 Aylık Enerji İstatistikleri Raporu-01, Web Adresi: https://www.eigm.gov.tr/File/?path=ROOT%2f4%2fDocuments%2f%C4%B0statistik%20Raporu%2f2019%20Ocak%20Ay%C4%B1%20Enerji%20Raporu.pdf, Erişim Tarihi: 01.04.2019.
CR  - [6] State of California Executive Order S-21-09, Web Adresi: http://gov.ca.gov/executive-order/13269, Erişim Tarihi: 30.03.2019.
CR  - [7] Sharma, N., Sharma, P., Irwin, D., Shenoy, P. Predicting solar generation from weather forecasts using machine learning. 2011 IEEE International Conference on Smart Grid Communications (SmartGridComm), (2011), 528-533.
CR  - [8] Çetinbaş, İ., Tamyürek, B., Demirtaş, M. Design, analysis and optimization of a hybrid microgrid system using HOMER software: Eskişehir Osmangazi University example. International Journal of Renewable Energy Development, 8, (2019), 65-79.
CR  - [9] Rose J, Chapman S. Freeing the grid best and worst practices in state net metering policies and interconnection procedures: 2009 edition. New York, NY: Network for New Energy Choices. Accessed April. 2009 Apr;11:2013.
CR  - [10] Salvatier, J., Wiecki, TV, Fonnesbeck, C. Probabilistic programming in Python using PyMC3. PeerJ Computer Science, (2016), 10.7717/peerj-cs.55.
CR  - [11] Powell, MJD. A fast algorithm for nonlinearly constrained optimization calculations. Numerical Analysis, (1978), 144-157.
CR  - [12] OPSD: Open Power System Data; A free and open data platform for power system modelling, Web Adresi: http://open-power-system-data.org/, Erişim Tarihi: 30.03.2019.
UR  - https://doi.org/10.29109/gujsc.549704
L1  - https://dergipark.org.tr/tr/download/article-file/735392
ER  -