Hydroelectric power forecasting via tree-based machine learning algorithms
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hidroelektrik enerji, en eski ve temel yenilenebilir enerji kaynağıdır. Türkiye'de hızlı ekonomik ve nüfus artışı nedeniyle enerji talebi sürekli artmaktadır ve bu durum hidroelektrik enerjiyi Türkiye'nin enerji kaynakları için kritik hale getirmektedir. Hidroelektrik santral planlaması ve uygulaması, devlet ve enerji işletmeleri için büyük önem taşımaktadır. Hidroelektrik enerji, mevsimsel bağımlılığı nedeniyle tahmin algoritmaları için uygundur. Hidroelektrik enerjinin doğru tahmin edilmesi, karbon emisyonlarının azaltılması, üretim verimliliği ve çevresel sürdürülebilirlik sağlar. Bu tez, kapasitesi 100 MW'ın üzerindeki faal bir hidroelektrik güç santralinin güç üretimini tahmin etmek için ağaç tabanlı makine öğrenmesi algoritmalarından faydalanarak model geliştirmeyi, incelemeyi ve uygulamayı amaçlamaktadır. Bu amaçla, üretim verileri, tarih-saat kayıtları, geçmiş güç üretimi ve sıcaklık ölçümleri kullanılmıştır. Tez kapsamında, EÜAŞ Aslantaş HES seçilmiştir. Güç üretim verileri, EXIST Şeffaflık Platformu'ndan alınmıştır. Veriler, Python kullanılarak işlenmiş, kodlanmış ve tahmin edilmiştir. Rastgele orman ve gradyan artırımlı karar ağaçları algoritmalarının uyumluluğu ve etkinliği incelenmiştir. En uygun algoritma, kapsamlı testlerle performansa bağlı olarak belirlenmiştir. Bu sistematik yaklaşım, hidroelektrik güç üretim tahmini için en uygun algoritmayı belirleyecektir. Analizler, rastgele orman ve gradyan artırımlı karar ağaçları modellerinin hidroelektrik üretimi tahmin etmede etkili olduğunu göstermiştir. Ancak, rastgele orman modeli daha üstün performans sergilemiştir.
Hydroelectric power is the oldest and essential renewable energy source. Because energy demand constantly increases due to rapid economic and population growth in Türkiye, hydroelectric energy is crucial to Türkiye's energy resources. Hydroelectric plant planning and execution are pivotal for the state and energy enterprises. Hydroelectric power is proper for forecasting algorithms because of its seasonal dependency. Accurate forecasts of hydroelectric power provide carbon emission reduction, generation yields, and environmental sustainability. This thesis aims to develop, examine, and implement tree-based machine learning algorithms for forecasting power generation in an operational hydroelectric power plant with a capacity over 100 MW using generation data, date-time records, historical power generation, and temperature measurements. EÜAŞ Aslantaş HPP was selected to apply this thesis. The power generation data was fetched from the EXIST Transparency Platform. The data was processed, coded, and predicted using Python. Random forest (RF) and gradient boosted decision trees (GBDT) were examined for their compatibility and effectiveness. The most suitable algorithm was identified based on its performance through rigorous testing; this systematic approach will determine the optimal algorithm for hydroelectric power generation prediction. The analysis demonstrated that RF and GBDT models effectively forecasted hydroelectric power production. However, the Random Forest model showed slightly superior performance.
Hydroelectric power is the oldest and essential renewable energy source. Because energy demand constantly increases due to rapid economic and population growth in Türkiye, hydroelectric energy is crucial to Türkiye's energy resources. Hydroelectric plant planning and execution are pivotal for the state and energy enterprises. Hydroelectric power is proper for forecasting algorithms because of its seasonal dependency. Accurate forecasts of hydroelectric power provide carbon emission reduction, generation yields, and environmental sustainability. This thesis aims to develop, examine, and implement tree-based machine learning algorithms for forecasting power generation in an operational hydroelectric power plant with a capacity over 100 MW using generation data, date-time records, historical power generation, and temperature measurements. EÜAŞ Aslantaş HPP was selected to apply this thesis. The power generation data was fetched from the EXIST Transparency Platform. The data was processed, coded, and predicted using Python. Random forest (RF) and gradient boosted decision trees (GBDT) were examined for their compatibility and effectiveness. The most suitable algorithm was identified based on its performance through rigorous testing; this systematic approach will determine the optimal algorithm for hydroelectric power generation prediction. The analysis demonstrated that RF and GBDT models effectively forecasted hydroelectric power production. However, the Random Forest model showed slightly superior performance.
Açıklama
Lisansüstü Eğitim Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
