PowerCast

< Projeler Sayfası

Proje Adı
Machine Learning based Prediction for Renewable Energy Resources

Şirket Adı
Databoss

Şirket Mentoru
İsmail Balaban

Akademik Mentor
Prof. Serdar Kozat

Asistan
Furkan Burak Mutlu

Takım Üyeleri
Ayşemüge Güngör, Öykü Karavelioğlu, Nejat Göktuğ Kuyumcuoğlu, Ecem Şimşek, Mustafa Tolga Yerli

Özet
PowerCast projesi, bir kullanıcı tarafından seçilen tahmin çözünürlüğü (saatlik, günlük, haftalık), tahmin algoritması (kNN, SVR, ARIMA, XGBoost, LSTM) ve performans ölçütü (MSE, SMAPE, MAE, R2) gibi parametrelere göre belirli güneş ve rüzgar çiftliklerindeki güneş ve rüzgar enerjisi üretimini tahminleyip sonuçları web tabanlı bir grafik kullanıcı arayüzü ile sunmayı amaçlayan bir sistemdir. Proje, güneş ve rüzgar çiftliklerinin ne kadar enerji üretiminde bulunacaklarını makine öğrenmesi yöntemleriyle öngörmelerine yardımcı olarak hızla gelişmekte olan yenilenebilir enerji sektörüne değer katmayı hedeflemektedir. Bu hedeflere ulaşmak amacıyla, takımımız 2014 Küresel Enerji Tahmini yarışmasının güneş ve rüzgar enerjisi üretimi veri setlerinden faydalandı. Yenilenebilir enerji üretimi tahmini üzerine yapılan literatür taraması sonucunda kullanılacak öznitelik mühendisliği yöntemleri, öğrenme algoritmaları, performans ölçütleri ve genel tahminleme çerçevemiz belirlendi. Sisteme kullanıcı erişimini sağlamak için DataBoss şirketinin "Predy.ai" ürününe benzeyen web tabanlı bir grafik kullanıcı arayüzü oluşturuldu. Sistemimiz öngörülen hata sınırları içinde çalışmakta ve websitemiz bir kullanıcının seçtiği parametrelerle elde edilen tahminlemeler ve onlara karşılık gelen performans ölçümlerini kullanıcıya etkileşimli tablolar ve grafiklerle sunmaktadır.


Abstract
PowerCast project aims to serve as a system that predicts solar and wind power generation from respective solar and wind farms according to parameters selected by a web user such as prediction resolution (hourly, daily, weekly), prediction algorithm (kNN, SVR, ARIMA, XGBoost, LSTM) and performance metrics (MSE, SMAPE, MAE, R2), then display the results on a web based graphical user interface. The project intends to acknowledge and add value to the rapidly growing renewable energy industry by aiding the solar and wind energy farms in foreseeing their production with the help of machine learning tools. To achieve these objectives, our team used solar and wind power production datasets from Global Energy Forecasting Competition 2014. By surveying the existing literature on renewable energy production prediction, we decided on the feature engineering methods, learning algorithms, performance metrics and finally our overall prediction framework. To allow a user to access the system, we created a web based graphical interface that is similar to "Predy.ai" by DataBoss. Our prediction framework works in the estimated error margins and the website allows a user to enter their parameters of choice and view the prediction results and their corresponding performance metrics via interactive tables and plots.