Basit öğe kaydını göster

dc.contributor.advisorDinler, Derya
dc.contributor.authorKapusızoğlu, Semanur
dc.date.accessioned2023-12-12T11:19:32Z
dc.date.issued2023
dc.date.submitted2023-06-12
dc.identifier.urihttps://hdl.handle.net/11655/34239
dc.description.abstractEnergy is a significant part of life and the economy, with an aggressively increasing demand due to population growth. Non-renewable sources, such as fossil fuels, are rapidly depleting and cannot meet the demand, leading to a reliance on different energy sources. Considering the environmental effects of fossil fuels, many individuals are leaning towards cleaner and renewable energy sources, such as solar and wind power. Solar power holds an important share due to its abundance and ease of implementation. The amount of solar energy produced depends on various factors, such as temperature, photovoltaic radiation, cloud cover, and location. Predictive models considering those factors for solar energy play a crucial role in creating efficient production and distribution networks. Machine learning models are becoming increasingly popular among other predictive approaches thanks to technological advancements. Machine learning is an area of programming that creates mathematical algorithms and models, enabling computers to learn and make predictions without explicit programming. There are different training approaches for machine learning models. The traditional approach divides data into training and testing sets and uses all training data at once. Online (Incremental) learning is the principle of feeding the prediction model with one data point from a training set at a time, often used in sectors where data patterns are variable. This principle can be adapted to various data mining algorithms, including supervised and unsupervised learning. In this study, the suitability of the incremental training approach is tested on solar energy production using six different machine learning models (Linear Regression, Lasso Regression, Ridge Regression, Decision Tree, Random Forest, and Artificial Neural Network). An open-source competition on the Kaggle platform, provided by the American Meteorological Society, is utilized to assess whether online models can outperform traditional models in solar energy predictions. Incremental training methods found to perform better than traditional methods in terms of Mean Absolute Error.tr_TR
dc.language.isoentr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectMachine Learningtr_TR
dc.subjectSolar Power Predictiontr_TR
dc.subjectIncremental Trainingtr_TR
dc.subjectRenewable Energytr_TR
dc.titlePredicting Solar Energy Production Using Incremental Machine Learning Techniquestr_TR
dc.title.alternativeKademeli Makine Öğrenmesi Teknikleri Kullanarak Güneş Enerjisi Üretimi Tahminitr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetEnerji, hayatın ve ekonominin önemli bir parçası olup, nüfusa bağlı olarak hızla artan bir talebe sahiptir. Fosil yakıtlar gibi yenilenemez kaynaklar hızla tükenmekte ve talebi karşılayamamaktadır, bu da enerji sistemlerinin farklı kaynaklar aramasına neden olmaktadır. Fosil yakıtların kullanımıyla ortaya çıkan çevresel sorunlar ve dünyaya olan etkileri göz önüne alındığında, güneş ve rüzgar gibi temiz ve yenilenebilir enerji kaynaklarına olan eğilim artmaktadır. Güneş enerjisi, bol miktarda bulunması ve uygulanabilirliği kolay olması nedeniyle yenilenebilir enerji piyasasında önemli bir paya sahiptir. Üretilen güneş enerjisi miktarı, sıcaklık, güneşin açısı, fotovoltaik radyasyon, bulut miktarı ve konum gibi birçok faktöre bağlıdır. Güneş enerjisi için bu faktörleri dikkate alarak geliştirilen tahmin modelleri, verimli üretim ve dağıtım ağı oluştururken önemli bir role sahiptir. Teknolojik ilerlemelerle birlikte, makine öğrenmesi modelleri diğer tahminleme yöntemleri arasında giderek daha popüler hale gelmektedir. Makine öğrenmesi, bilgisayarların açıkça kodlanmadan tahmin yapmasını sağlayan matematiksel algoritmalar ve modeller oluşturmayı hedefler. Makine öğrenimi modelleri farklı şekillerde eğitilebilir. Geleneksel eğitim yaklaşımı, veriyi eğitim ve test verisi olarak ayırarak eğitim verisinin tümünü tek seferde kullanır.. Çevrimiçi (Kademeli) öğrenme, tahmin modelini eğitim için ayrılan veriyle birer birer besleme prensibidir. Bu, verilerdeki desenlerin değişken olduğu ve bu varyasyonları yakalamanın önemli olduğu birçok sektörde kullanılır. Çevrimiçi eğitim prensibi, denetimli, denetimsiz ve birçok diğer veri madenciliği algoritmasına adapte edilebilir. Bu çalışmada, çevrimiçi eğitim yaklaşımının güneş enerjisi üretimindeki uygunluğu, 6 farklı makine öğrenmesi modeli (Doğrusal Regresyon, Lasso Regresyon, Ridge Regresyon, Karar Ağacı, Rastgele Orman ve Yapay Sinir Ağı) kullanılarak test edilmiştir. Çevrimiçi modellerin güneş enerjisi tahminlerinde geleneksel modellere göre daha iyi performans gösterip göstermediğini değerlendirmek için Amerikan Meteoroloji Derneği tarafından sağlanan Kaggle platformundaki açık kaynaklı bir yarışma verisi kullanılmıştır. Ortalama Mutlak Hata değerlerine göre çevrimiçi modeller daha başarılı bulunmuştur.tr_TR
dc.contributor.departmentEndüstri Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2023-12-12T11:19:32Z
dc.fundingYoktr_TR
dc.subtypeprojecttr_TR


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster