Rüzgâr enerjisi uygulamalarında kullanılan farklı mcp yöntemlerinin performans analizi
Performance analysis of different mcp methods used in wind energy applications
- Tez No: 1024498
- Danışmanlar: DOÇ. DR. BAHTİYAR EFE
- Tez Türü: Yüksek Lisans
- Konular: Meteoroloji, Meteorology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rüzgâr türbinlerinin kurulması planlanan sahalarda proje öncesi yapılan doğru rüzgâr kaynağı değerlendirmeleri için rüzgâr ölçüm verisi büyük önem taşımaktadır. Proje sahalarındaki ölçümler genel olarak 1 yıl civarındadır. Yapısı itibariyle hem yersel hem de zamansal olarak değişkenlik gösteren rüzgârın periyodunun kısa olması rüzgâr enerjisi projelerindeki belirsizliği arttırmaktadır. Rüzgâr hızını ve bunun uzun vadeli değişkenliğini tahmin etmek için doğru yöntemi kullanmak proje sahasındaki rüzgâr enerjisi potansiyelini ve enerji üretimini doğru tahmin etmek açısından çok önemlidir. Böylece bir rüzgâr türbininin ömrü boyunca üreteceği yıllık toplam enerji miktarı azami hassasiyetle ve hata payı minimize edilerek hesaplanabilir. Fakat proje sahalarında uzun periyoda sahip ölçümü elde etmek maliyetli ve zaman alan bir süreç olduğundan çözüm olarak Ölç-Korelasyon Kur-Tahmin Et (Measure-Correlate-Predict, MCP) yöntemleri yaygın olarak kullanılmaktadır. Bu çalışmada, Çanakkale ilindeki meteoroloji ölçüm direğinden elde edilen 80 m rüzgâr verileri ve yaklaşık 1.2 km uzaklıkta bulunan 100 m uzun dönem referans verisi kullanılmıştır. Altı farklı MCP yönteminin rüzgâr hızı ve enerji üretimi tahmin performansları karşılaştırılmıştır. Çalışma kapsamında Matrix, Regresyon, Yapay Sinir Ağları (Artificial Neural Networks, ANN), Rastgele Orman (Random Forest, RF), Gradyan Artırma Regresyon (Gradient Boosting Regression, GBR) ve Destek Vektör Regresyonu (Support Vector Regression, SVR) yöntemleri değerlendirilmiştir. Tüm yöntemlerin performansı değerlendirilirken rüzgâr verilerinin zamana bağlılığı nedeniyle 5 katlı zaman bloklu çapraz doğrulama (5-fold time-blocked cross validation) yaklaşımı kullanılmıştır. Model performansları rüzgâr hızı ve enerji üretim tahminleri üzerinden incelenmiş ve Ortalama Mutlak Hata (Mean Absolute Error, MAE), Kök Ortalama Kare Hatası (Root Mean Square Error, RMSE), Ortalama Sapma Hatası (Mean Bias Error, MBE), Normalize Edilmiş Ortalama Mutlak Hata (Normalized Mean Absolute Error, NMAE), Normalize Edilmiş Ortalama Kök Kare Hata (Normalized Root Mean Square Error, NRMSE) ve Pearson korelasyon katsayısı (r) hata metrikleriyle değerlendirilmiştir. Aylık bağıl enerji hata hesaplamaları, mevsimsel enerji hata hesaplamaları, Weibull dağılım analizleri, farklı örnekleme sürelerinin model performansına etkileri, sektör bazlı korelasyon analizleri incelenmiştir. Enerji hesaplamaları için bir rüzgâr türbini güç eğrisi kullanılmış ve enerji üretim tahmini gerçekleştirilmiştir. Çapraz doğrulamalı rüzgâr hızlarında elde edilen sonuçlar incelendiğinde tüm yöntemler, 0.81'den daha yüksek korelasyon değerlerine sahiptir. En düşük RMSE değeri 1.71, en düşük MAE değeri ise 1.30 ile Regresyon yöntemine aittir. SVR ve Matrix yöntemi de yakın değerler göstermiştir. Normalize edilmiş çapraz doğrulanmış aylık toplam enerji NMAE ve NRMSE değerlerinde ise Matrix ve Regresyon yöntemleri yine benzer değerler üretse de SVR yönteminde hata değerleri belirgin miktarda artmıştır. RF, GBR, ANN yöntemleri de %7-9 arasında değişen NRMSE değerleri göstermiştir. Toplam enerji hataları incelendiğinde Regresyon %-0.94 ile en düşük değere sahip yöntemdir. Yöntemlerin aylara göre toplam enerji hataları incelendiğinde model performanslarının yıl boyunca sabit olmadığı ve mevsimsel rüzgâr rejimindeki değişimlerin yöntemlerin enerji tahmin performansını etkilediği görülmüştür. Matrix ve Regresyon yöntemleri birbirine benzer davranış göstererek genel olarak sıfır hata çizgisine daha yakın değerler gösterirken makine öğrenmesi tabanlı yöntemler aylar arasında büyük dalgalanmalar göstermiştir. Makine öğrenmesi tabanlı yöntemlerin mevsimsel değişkenliğe daha hassas oldukları, hızların zamanlaması, atmosferik kararsızlık, yön değişkenliği, mevsimsel türbülans, kısa süreli rüzgâr sıçramaları veya model eğitim verisinin bazı ay koşullarını yeterince temsil edememesi gibi faktörlerin bazı aylardaki enerji hatalarını belirgin şekilde etkilediği düşünülmüştür. Geçiş mevsimlerinde hata dağılımları artarken yaz aylarında daha stabil sonuçlar görülmüştür. Rüzgâr şiddeti aralığı yanlılığı analizleri yöntemlerin düşük rüzgâr hızlarında pozitif, yüksek rüzgâr hızlarında ise negatif yanlılık ürettiğini ortaya koymuştur. Bunlara ek olarak yöntemlerin weibull dağılımları da RF ve GBR hariç tüm modellerin saha dağılımını yakın şekilde takip ettiğini göstermiştir. RF ve GBR yöntemleri tepe bölgesi civarında diğer yöntemlerden farklı davranış sergilemiştir ve daha geniş bir yayılıma sahiptirler. Tüm yöntemler yüksek hız bölgelerinde daha düşük olasılık yoğunluğu üretmiştir. Bu durum tüm yöntemlerin yüksek rüzgâr hızlarını daha nadir tahmin etme eğiliminde olduğunu düşündürmektedir. Yöntemler yüksek rüzgâr şiddetini sınırlı temsil etmiş ve bazı yöntemler yüksek şiddet değerlerini sistematik olarak düşük tahmin etmiştir. Rüzgâr türbininin güç eğrisinin doğrusal olmayan yapısı ve özellikle yüksek rüzgâr hızlarındaki küçük tahmin hataları enerji bazlı hata metrikleri hesaplarında daha büyük değerler ile sonuçlanmıştır. Bu çalışmada ayrıca kümülatif ölçüm süresine göre modellerin Yıllık Enerji Üretimi (Annual Energy Production, AEP) bağıl hata dağılımlarının değişimi incelenmiştir. Kümülatif ölçüm süresi arttıkça hatalar sıfır çizgisine yaklaşmaktadır. Regresyon ve Matrix yöntemleri daha düşük saçılım ve sıfıra yakın medyan hata değerleriyle daha lineer ve stabil davranış göstermiştir. ANN yöntemi ise daha değişken bir yapıyla veri dağılımındaki küçük değişimlere daha hassas olduğunu göstermiştir. SVR yöntemi ise ilk ayda gösterdiği büyük saçılım ile veri periyoduna hassas olduğunu ve dağılımı yeterince genelleyemediğini ortaya koymuştur. RF ve GBR yöntemleri ise veri yoğunluğunun fazla olduğu orta hız bölgelerine doğru çekilme eğilimi özellikleri ile yüksek hızları düşük tahmin etmiştir ve bu durum büyük negatif AEP hatalarına yol açmıştır. Genel olarak ölçüm süresinin artması verinin mevsimsel yapıyı daha fazla dahil etmesiyle AEP hatalarında iyileşme ile sonuçlanmıştır. Aylık veri oranına göre AEP bağıl hata değişimi analizleri, örnekleme yüzdesi arttıkça tüm yöntemlerde enerji hatası değişkenliği genel olarak azalım gösterdiğini ortaya koymuştur. Saha topografyası ve rüzgâr gülü analizleri ölçümlerin benzer sırt-vadi sisteminde bulunduğunu ve benzer akış sistemine maruz kaldıklarını göstermiştir. Aynı zamanda hâkim sektörler ve yönsel frekans dağılımları da büyük ölçüde uyum göstererek güçlü saha-referans transfer ilişkisi, Regresyon ve Matrix gibi klasik MCP yöntemlerinin daha tutarlı sonuçlar göstermesine katkı sağlamıştır. Rüzgâr yönüne göre sektör bazlı saha–referans korelasyonları incelenmiş ve özellikle hâkim rüzgâr yönü sektörlerinde 0.87-0.90 seviyesinde yüksek korelasyon değerleri görülmüştür. Buna karşılık veri sayısının az olduğu sektörlerde ise daha düşük korelasyon değerleri bulunmaktadır. Yüksek veri sayısı ve yüksek korelasyonun görüldüğü sektörler saha ve referans veri arasında güçlü bir lineer ilişki olduğunu göstermiş ve genel MCP performansına etkileri yüksek olmuştur. Veri sayısı az olan sektörlerin ise genel MCP performansına etkileri daha düşük bulunmuştur. Bu bulgular Matrix ve Regresyon yöntemlerinin stabil performans sergilemesini açıklamıştır. Matrix ve Regresyon yöntemlerinin bu çalışma kapsamında diğer yöntemlere göre daha tutarlı ve güvenilir sonuçlar verdiği makine öğrenmesi tabanlı yöntemlerin ise veri dağılımına daha hassas olduğu sonucuna varılmıştır. ANN modeli bazı örnekleme durumlarında oldukça başarılı sonuçlar sergilemiş olsa da hata dağılımlarının geniş olması sebebiyle sınırlı veri koşullarına ve veri yapısına daha duyarlı bir davranış göstermiştir. RF, GBR ve SVR yüksek hız olaylarının sınırlı temsil edilmesi nedeniyle sistematik olarak enerjiyi düşük tahmin etmişlerdir. Genel olarak sonuçlar, MCP performansının yalnızca model yapısına değil, veri dağılımına, saha benzerliği, yönsel akış karakteristikleri ve eş zamanlı veri yapısına, örnekleme süresi ve yüksek hız olaylarının temsil düzeyine de güçlü biçimde bağlı olduğunu ortaya koymaktadır. Özellikle yüksek rüzgâr hızlarının daha yüksek frekansa sahip olduğu veri setleri kullanılarak MCP yöntemlerinin özellikle yüksek rüzgâr hız koşullarındaki performansının daha detaylı değerlendirilmesi çalışmanın tutarlılığını arttıracaktır.
Özet (Çeviri)
Wind measurement data is crucial for accurate pre-project wind resource assessments in sites where wind turbines are planned to be installed. Measurements in project sites are generally taken around once a year. The short wind period, which is inherently variable both spatially and temporally, increases uncertainty in wind energy projects. Using the correct method to estimate wind speed and its long-term variability is essential for accurately predicting the wind energy potential and energy production in the project site. This allows for the calculation of the total annual energy production of a wind turbine over its lifetime with maximum accuracy and minimized error margin. However, since obtaining long-period measurements in project sites is a costly and time-consuming process, Measure-Correlate-Predict (MCP) methods are widely used as a solution. This study utilized 80 m wind data obtained from a meteorological mast in Çanakkale province and 100 m long-term reference data located approximately 1.2 km away. The wind speed and energy production prediction performance of six different MCP methods was compared. The methods evaluated included Matrix, Regression, Artificial Neural Networks (ANN), Random Forest (RF), Gradient Boosting Regression (GBR), and Support Vector Regression (SVR). Due to the time dependence of the wind data, a 5-fold time-blocked cross-validation approach was used to evaluate the performance of all methods. Model performance was examined through wind speed and energy production predictions and evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Normalized Mean Absolute Error (NMAE), Normalized Root Mean Square Error (NRMSE), and Pearson correlation coefficient (r) error metrics. Monthly relative energy error calculations, seasonal energy error calculations, Weibull distribution analyses, the effects of different sampling periods on model performance, and sector-based correlation analyses were investigated. A wind turbine power curve was used for energy calculations, and energy production prediction was performed. When examining the results obtained from cross-validated wind speeds, all methods have correlation values higher than 0.81. The lowest RMSE value is 1.71, and the lowest MAE value is 1.30, both belonging to the Regression method. The SVR and Matrix methods also showed similar values. In the normalized cross-validated monthly aggregated total energy NMAE and NRMSE values, the Matrix and Regression methods again produced similar values, but the error values increased significantly in the SVR method. The RF, GBR, and ANN methods also showed NRMSE values ranging from 7-9%. When the total energy errors are examined, Regression has the lowest value at -0.94%. When the total energy errors of the methods are examined according to the months, it is seen that the model performances are not constant throughout the year and that seasonal changes in the wind regime affect the energy prediction performance of the methods. While the Matrix and Regression methods show similar behavior and generally show values closer to the zero error line, machine learning-based methods showed large fluctuations between months. It is considered that machine learning-based methods are more sensitive to seasonal variability, and that facrors such as velocity timing, atmospheric instability, directional variability, seasonal turbulence, short-duration wind burst, or the inability of model training data to adequately represent conditions in certain months significantly affect energy errors during those months. Error distributions increased during transitional seasons, while more stable results were observed during the summer months. Speed band bias analyses revealed that the methods produced positive bias at low wind speeds and negative bias at high wind speeds. In addition, Weibull distributions of the methods showed that all models except RF and GBR closely followed the site distribution. RF and GBR methods exhibited different behavior around the peak region and had a wider spread. All methods produced lower probability densities in high speed regions. This suggests that all methods tend to predict high wind speeds less frequently. The methods showed limited representation of high wind speeds, and some methods systematically underestimated high-speed events. The nonlinear nature of the wind turbine's power curve, and especially the small prediction errors at high wind speeds, resulted in larger values in energy-based error metric calculations. This study also examined the variation in the relative error distributions of Annual Energy Production (AEP) models according to cumulative measurement periods. As the cumulative measurement time increases, the errors approach the zero line. Regression and Matrix methods showed more linear and stable behavior with lower dispersion and median error values close to zero. The ANN method, on the other hand, showed a more variable structure and was more sensitive to small changes in the data distribution. The SVR method, with its large dispersion in the first month, revealed its sensitivity to the data period and its inability to generalize the distribution sufficiently. The RF and GBR methods, with their tendency to pull towards medium-speed regions with high data density, underestimated high speeds, leading to large negative AEP errors. In general, increasing the measurement time resulted in an improvement in AEP errors as the data incorporated more seasonal patterns. Analyses of the change in relative AEP errors according to the monthly data rate revealed that the variability of energy errors generally decreased in all methods as the sampling percentage increased. Site topography and wind rose analyses showed that the measurements were located in a similar ridge-valley system and were exposed to a similar flow system. At the same time, the prevailing sectors and directional frequency distributions showed a strong correspondence, contributing to more consistent results for traditional MCP methods such as Regression and Matrix. Sector-based site-reference correlations were examined according to wind direction, and particularly high correlation values of 0.87-0.90 were observed in sectors with prevailing wind direction. In contrast, lower correlation values were found in sectors with a small number of data points. Sectors with a high number of data points and correlations showed a strong relationship between site and reference data, and had a high impact on overall MCP performance. Sectors with a small number of data points had a lower impact on overall MCP performance. These findings explain the stable performance of Matrix and Regression methods. In this study, it was concluded that matrix and regression methods yielded more consistent and reliable results compared to other methods, while machine learning-based methods were more sensitive to data distribution. Although the ANN model showed quite successful results in some sampling cases, it exhibited more sensitive behavior to limited data conditions and data structure due to the wide error distributions. RF, GBR, and SVR systematically underestimated energy due to the limited representation of high-speed events. Overall, the results reveal that MCP performance is strongly dependent not only on model structure but also on data distribution, site similarity, directional flow characteristics, simultaneous data structure, sampling time, and the level of representation of high-speed events. Using datasets where high wind speeds have a higher frequency, a more detailed evaluation of the performance of MCP methods, especially under high wind speed conditions, will increase the consistency of the study.
Benzer Tezler
- Su altı akıntı türbinlerinin hidrodinamik analizi
Hydrodynamic analysis of marine current turbines
DENİZ UŞAR
Doktora
Türkçe
2015
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR BAL
- Yapay zeka teknikleriyle rüzgar enerjisi dönüşüm sistemlerinde çoklu arıza tespiti
Multi-fault detection in wind energy conversion systems using artificial intelligence techniques
MEHMET YILDIRIM
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL GÜMÜŞ
- Incipient fault detection in wind turbines
Rüzgar türbinlerinde gelişmekte olan hata öngörüsü
AYŞE GÖKÇEN KAVAZ TAŞKINER
Doktora
İngilizce
2019
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Rüzgar-fotovoltaik hibrit güç sistemlerinin yapay sinir ağları ile kontrolü
Artificial neural networks for controlling wind-PV power systems
KERİM KARABACAK
- Mısır kurutmada kurutucu tasarım ve güneş enerjisi kullanımı üzerine bir araştırma
Başlık çevirisi yok
CAN ERTEKİN