Affiliation:
1. KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ
Abstract
Bu çalışmada, kısmi gölgelenme koşulları (KGK) altındaki bir fotovoltaik (FV) sistemin, maksimum güç noktası (MGN) derin öğrenme yöntemi kullanılarak tahmin edilmiştir. Çalışmada kullanılacak veri seti Matlab/Simulink ortamında FV sistem modellenerek oluşturulmuştur. Bu veriler kullanılarak derin öğrenme ağının farklı katman sayısı ve nöron sayısı için başarısı incelenmiştir. Model başarısı ortalama mutlak yüzde hata (MAPE), ortalama mutlak hata (MAE), ortalama hata karekökü (RMSE) istatistiksel performans kriterleri ile değerlendirilmiştir. Çalışma sonucunda elde edilen tablo ve grafiklerden eğitim setindeki üç katmanlı ve 64 nöronlu sistemin daha başarılı sonuçlar verdiği gözlemlenmiştir.
Publisher
Kahramanmaras Sutcu Imam University Journal of Engineering Sciences
Subject
General Earth and Planetary Sciences,General Environmental Science
Reference24 articles.
1. Alaskar, H., & Saba, T. (2021). Machine Learning and Deep Learning: A Comparative Review. Proceedings of Integrated Intelligence Enable Networks and Computing, 143-150.
2. Balkan, A. (2022). Şebeke bağlantılı bir fotovoltaik güç üretim santralinin tasarım aşamaları ve güç boyutlandırma faktörünün önemi. Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi Fen Bilimleri Enstitüsü, Çankırı.
3. Bassam, A.-H. (2018). Maximum Power Point Tracking Controlled Boost Converter Desing For Battery Charger. (MSc. Thesis). Yıldız Technical University,
4. Can, Y. (2020). Makine Öğrenmesi ve Derin Öğrenme Yöntemleri İle Dizel Motor Turbo Kompresör Sisteminin Modellenmesi.
5. Dandıl, E., & Gürgen, E. (2019). Yapay Sinir Ağları Kullanılarak Fotovoltaik Panel Güç Çıkışlarının Tahmini ve Sezgisel Algoritmalar ile Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi(16), 146-158.