Meteorolojik ölçüm verileri kullanılarak rüzgâr hızı tahmini
Wind speed prediction using meteorological measurements
- Tez No: 1024827
- Danışmanlar: DOÇ. DR. NUH ALPASLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Enerji, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bingöl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Bingöl bölgesinin çeşitli ilçelerinden toplanan rüzgâr hızı verilerini kullanmaktadır. Amaç, derin öğrenme tekniklerini ensemble yöntemleriyle birleştirerek yenilikçi ve yüksek doğrulukta bir rüzgâr hızı tahmin modeli geliştirmektir. Metodoloji; titiz bir veri ön işleme sürecini ve zamansal, fiziksel, kinematik, momentum, frekans alanı, termodinamik, Hamiltoniyen ve astronomik etkileri kapsayan kapsamlı bir özellikler paketini içermektedir. Bu paket, matematiksel olarak modellenmiş özgün yapısıyla Loess tabanlı Mevsimsel-Trend Ayrıştırması (STL) yöntemini de kapsamaktadır. Conv1D, LSTM ve dikkat mekanizmalarını bir araya getiren hibrit bir derin öğrenme modeli uygulanmıştır. Modelin bileşenleri ise, her bir ögenin katkısını değerlendirmek amacıyla yapılan bir bileşen çıkarım çalışmasıyla analiz edilmiştir. Bu, farklı regresyon modellerinden elde edilen tahminleri birleştiren güçlü bir stacking ensemble yaklaşımıyla tamamlanmıştır. Model performansı, RMSE, MAE, R² ve EVS kullanılarak titizlikle değerlendirilmiştir. Modeller, tüm ilçelerde ortalama yaklaşık 0,54 RMSE, 0,39 MAE, 0,25 R² ve 0,26 EVS test performansı göstermiştir. Bingöl ilçesi genel ortalama için Stacking Ensemble modeli öne çıkmıştır. Bu model, LSTM-only modelinin 0,32 R² ve 0,35 EVS değerlerini aşarak önemli ölçüde daha yüksek 0,42 Test R² ve 0,43 Test EVS değerlerine ulaşmıştır. Ayrıca, ensemble modelinin Test RMSE (0,23) ve Test MAE (0,18) açısından performansı, yalnızca LSTM modeline göre daha rekabetçi sonuçlar elde etmiştir. Bu durum, Stacking Ensemble modelinin bu spesifik alanda rüzgâr hızlarını tahmin etme konusundaki yeteneğini vurgulamaktadır.
Özet (Çeviri)
This study employs wind speed data collected from various districts of the Bingöl region. The main objective is to develop an innovative and high-accuracy wind speed prediction model by integrating deep learning techniques with ensemble methods. The methodology includes a rigorous data preprocessing pipeline and a comprehensive set of features encompassing temporal, physical, kinematic, momentum, frequency-domain, thermodynamic, Hamiltonian, and astronomical effects. This feature set also incorporates the mathematically modeled Seasonal-Trend Decomposition using Loess (STL) method. A hybrid deep learning model combining Conv1D, LSTM, and attention mechanisms has been implemented. The components of the model were further analyzed through an ablation study to evaluate the contribution of each element. This framework is complemented by a robust stacking ensemble approach that integrates predictions from different regression models. Model performance was rigorously evaluated using RMSE, MAE, R², and EVS metrics. Across all districts, the models achieved an average test performance of approximately 0.54 RMSE, 0.39 MAE, 0.25 R², and 0.26 EVS. For the overall Bingöl region, the Stacking Ensemble model demonstrated superior performance. It significantly outperformed the LSTM-only model, achieving higher Test R² (0.42 vs. 0.32) and Test EVS (0.43 vs. 0.35) values. Additionally, the ensemble model yielded more competitive results in terms of Test RMSE (0.23) and Test MAE (0.18) compared to the standalone LSTM model. These findings highlight the effectiveness of the Stacking Ensemble approach in accurately predicting wind speed for this specific region.
Benzer Tezler
- Manisa Soma bölgesi için meso ölçek sayısal hava tahmin modeli (WRF) ve hesaplamalı akışkanlar dinamiği modeli (WINDSIM) kullanılarak kısa vadeli rüzgar enerjisi tahmini
Short term wind energy prediction system for Manisa Soma region by using numerical weather prediction model (WRF) and computational fluid dynamics(WINDSIM) model
BAHTİYAR EFE
Yüksek Lisans
Türkçe
2012
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. Ş. SİBEL MENTEŞ
- Short-term wind speed and power forecasting: A comprehensive case study for three operational wind farms
Kısa dönem rüzgâr hızı ve güç tahmini: Üç operasyonel rüzgâr tarlası için kapsamlı bir vaka çalışması
İREM SELEN YOLDAŞ
Yüksek Lisans
İngilizce
2022
Enerjiİzmir Yüksek Teknoloji EnstitüsüEnerji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT BİNGÖL
- İleri istatistiksel yöntemler kullanarak rüzgârdan üretilen elektriksel gücün tahmini
Wind-electric power forecast using advanced statistical methods
SERKAN BUHAN
Doktora
Türkçe
2015
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIK ÇADIRCI
- Hava kirliliğinin yapay sinir ağları yöntemiyle modellenmesi ve tahmini
Air pollution modeling and prediction using artificial neural networks
ARSLAN SARAL
Doktora
Türkçe
2000
Çevre MühendisliğiYıldız Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH ERTÜRK
- Bulanık mantık ve yapay sinir ağları yöntemleri kullanılarak Konya il merkezi hava kirliliği modellenmesi
Modelling of Konya city centre air pollution using artificial neural networks and fuzzy logic methods
FATMA KUNT
Doktora
Türkçe
2014
Çevre MühendisliğiSelçuk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÜKRÜ DURSUN