Tez No	İndirme	Tez Künye	Durumu
636049		Fotovoltaik güç tahmini için metasezgisel optimizasyon tabanlı hibrit model tasarımı ve analizi / Design and analysis of metaheuristic optimization-based hybrid model for photovoltaic power estimation Yazar:MEDİNE ÇOLAK Danışman: PROF. DR. RAMAZAN BAYINDIR ; DOÇ. DR. MEHMET YEŞİLBUDAK Yer Bilgisi: Gazi Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora Türkçe 2020 141 s.
Fotovoltaik enerji sistemleri için güneş ışınım şiddeti ve fotovoltaik güç üretimi verileri vazgeçilmez girdiler olduğundan, yüksek doğrulukta ve tutarlı güneş ışınımı ve fotovoltaik güç tahmini, uygulamadaki temel gereksinimlerdendir. Bu tez çalışmasında, güneş parametrelerinin deneysel metotlarla modellenmesi yapılmış ve global optimumu bulma yeteneği yüksek olan metasezgisel optimizasyon algoritmaları yapay sinir ağlarına hibritlenmiştir. Hibrit tahmin modellerinin oluşturulması sürecinde, gri kurt (bozkurt), karınca aslanı ve balina optimizasyon algoritmaları çok katmanlı algılayıcı algoritmasına entegre edilmiştir. Günlük toplam yatay güneş ışınımı tahmin etmek için hava sıcaklığı, bağıl nem ve difüz yatay güneş ışınımı parametreleri 3 girişli ve 2 girişli yapıda kullanılmıştır. Günlük fotovoltaik güç üretimini tahmin etmek için ise hava sıcaklığı, bağıl nem, toplam yatay güneş ışınımı ve difüz yatay güneş ışınımı parametreleri 4 girişli, 3 girişli ve 2 girişli olarak kullanılmıştır. Ayrıca, geliştirilen hibrit tahmin modellerinin performansları, çok katmanlı algılayıcı algoritmasında kullanılan hiperbolik tanjant, sinüs ve sigmoid aktivasyonu fonksiyonları açısından da test edilmiştir. Geliştirilen tahmin modellerinin ortalama mutlak hata, ortalama mutlak yüzdesel hata ve karekök ortalama hata performansları karşılaştırıldığında, gri kurt optimizasyon algoritması tabanlı çok katmanlı algılayıcı modeli günlük toplam yatay güneş ışınımı ve günlük fotovoltaik güç üretimi tahminlerinde en iyi sonuçları sağlamıştır. Ayrıca, geliştirilen hibrit tahmin modellerinin, gelecekte kullanılacak farklı zaman aralıklarındaki veri setleri üzerinde de başarıyla uygulanabileceği değerlendirilmektedir.
Since solar radiation intensity and photovoltaic power generation data are indispensable inputs for photovoltaic energy systems, high accuracy and consistent solar radiation and photovoltaic power prediction are essential requirements in practice. In this thesis study, solar parameters have been modeled by experimental methods and metaheuristic optimization algorithms with high ability to find global optimum have been hybridized to artificial neural networks. In the process of creating hybrid estimation models, the grey wolf, the ant lion and the whale optimization algorithms were integrated into the multilayer perceptron algorithm. Air temperature, relative humidity and diffuse horizontal solar radiation parameters were used in the structure with 3 inputs and 2 inputs to estimate the daily total horizontal solar radiation. In order to estimate the daily photovoltaic power generation, air temperature, relative humidity, total horizontal solar radiation and diffuse horizontal solar radiation parameters were used in the structure with 4 inputs, 3 inputs and 2 inputs. In addition, the performances of the developed hybrid estimation models were tested in terms of the hyperbolic tangent, sinus and sigmoid activation functions used in the multilayer perceptron algorithm. The comparison of mean absolute error, mean absolute percentage error and root mean squared error performances of the developed estimation models shows that the grey wolf optimization algorithm-based multilayer perceptron model provides the best results for estimating the daily total solar radiation and the daily photovoltaic power generation. In addition, it is considered that the developed hybrid estimation models can successfully be applied on the datasets containing different time intervals to be used in the future.