Çeliktaş, Melih SonerMersin, Gamze2025-03-112025-03-112024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=UjlM15wKZGQW6TLC0pvCt1VfcZjaf1nY2GybJXklU1P5o6em1jpJYhGURIVhh0nYhttps://hdl.handle.net/11454/116608Yenilenebilir enerji entegrasyonu arttıkça hem öngörülebilir hem de güvenilir enerji yönetim sistemlerine olan talep artmaktadır. Üretimi ve şebekeye beslemesi değişken olan güneş enerjisi gibi yenilenebilir kaynaklardan elde edilen enerji üretiminin doğru tahmin edilmesi, enerji yönetim sistemlerinin odak konularından biridir. Bu tezde, gerçek bir güneş enerjisi santralinin üretimini tahmin etmek için yapay zeka kullanılmıştır. Yapay zeka ile tahmin edilen üretim değerleri, gerçekleşen üretim değerlerinin yanı sıra enerji santrali tasarımında yaygın olarak kullanılan Helioscope ve Pvsyst programları tarafından tahmin edilen üretim değerleri ile karşılaştırılmıştır. Metodoloji, veri temini, veri ön işleme, makine öğrenimi ve yapay zeka modellerinin geliştirilmesini içermektedir. Eğitim verilerinde lineer regresyon, boosting algoritmaları (XGBoost, CatBoost, LightGBM), uzun kısa süreli bellek (LSTM) ve yapay sinir ağları (ANN, MLP) analiz edilmiş, en iyi sonuçları veren LightGBM makine öğrenmesi modeli ile GridSearchCV kullanılarak parametre optimizasyonu gerçekleştirilmiştir. Test verileri üzerinde çalıştırıldığında RMSE değeri 67,04 ve R-kare değeri 0,96 olarak elde edilmiştir. Sonuçlar LightGBM algoritmasının gerçek üretim ve tasarım programı verileriyle yakından uyumlu tahminler yapabildiğini göstermektedir.trinfo:eu-repo/semantics/openAccessMakine öğrenmesiyapay zekaüretim tahminlemeyenilenebilir enerjifotovoltaik üretim tahminitahmin modellerigüneş enerjisi tahminiyapay sinir ağları.Machine learningartificial intelligenceproduction forecastingrenewable energyphotovoltaic production forecastingforecasting modelssolar energy forecastingartificial neural networks.Master Thesis896417