Geri Dön

Bir rüzgar çiftliğinden yapay sinir ağlarıyla kısa süreli elektrik üretim tahmini

Short term electricity production forecasting from a wind farm with artificial neural networks

PDF İndir

  1. Tez No: 493922
  2. Yazar: SELİN CANTÜRK
  3. Danışmanlar: PROF. DR. MURAT KÖKSAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Temiz Tükenmez Enerjiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 129

Özet

Dünyada son yıllarda kurulumu artan ve enerji üretiminde önemli bir kaynak haline gelen rüzgar enerjisi sistemleri, Türkiye'nin sahip olduğu rüzgar enerjisi potansiyeli göz önünde bulundurulduğunda, bu gelişmelere paralel olarak Türkiye'de de önem kazanmaktadır. Rüzgarın değişken (stabil olmayan) bir kaynak olması nedeniyle rüzgar enerjisi sistemlerinin şebeke entegrasyonu ve üretilen enerjiden verimli bir şekilde yararlanılabilmesi için rüzgar üretim tahminlerine ihtiyaç duyulmaktadır. Rüzgardan elde edilen enerji üretimi, rüzgar enerjisi sistemlerinin bulunduğu bölgenin rüzgar karakteristiği, çevresindeki coğrafi şekiller, engeller vb. bölgesel özelliklerden etkilendiği için ise tahmin yapılacak bölgeler için farklı matematiksel modellemeler oluşturulmaktadır. Çalışmada, Türkiye'de yer alan bir rüzgar çiftliğinden elde edilen veriler ile YSA yönteminden yararlanılarak kısa süreli rüzgar üretimi tahmini yapılmıştır. Bu doğrultuda öncelikle rüzgar çiftliğinden alınan veri setleri incelenmiş, veri analizleri yapılmış ve YSA modeli için uygun veri setleri oluşturulmuştur. Oluşturulan modellerle yapılan tahmin sonuçları, kısa süreli rüzgar üretim tahminlerinde bir kriter olarak kabul edilen naive yöntemi ile elde edilen tahmin sonuçlarına göre değerlendirilmiştir. Statik ve dinamik yapıda iki farklı temel YSA modeli ile yapılan tahminlere ait hata oranlarının, naive yönteme göre kabul edilebilir bir aralık içerisinde olduğu görülmüştür. Genel olarak en düşük ortalama hata oranları statik yapıda olan YSA ile elde edilmiştir. Ancak seçilen zaman ufukları için tahmin edilen ortalama değerler incelendiğinde; dinamik yapıdaki ağ modellerinden elde edilen sonuçların bazı durumlarda gerçekleşen ortalama değerlere çok yakın olduğu görülmüştür. Farklı aktivasyon fonksiyonları ile elde edilen sonuçlar karşılaştırıldığında; sonuçlar arasında önemli farklılıklar olmadığı görülmüştür. YSA modellerinin eğitimi için kullanılan veri setlerinin, ağın öğrenmesi üzerinde doğrudan etkisi olduğundan; test için seçilen günlere dair tahminler yapılması için farklı eğitim verisi setleriyle farklı ağlar oluşturulmuştur. Bu durumda; dinamik yapıya sahip olan ağ modelleri ile daha az veri sayısı içeren eğitim setleriyle tahmin yapılabilirken, her mevsime ait ve farklı koşullardaki verilerden oluşan bir eğitim setiyle öğrenmeyi tamamlayan statik yapıdaki model ile daha düşük hata oranları elde edilmiştir. Dinamik yapıya sahip olan ağlarda; tahmin edilmesi istenen günden önceki 2 güne ait verilerle eğitilen ağlardan elde edilen sonuçlar, tahmin edilmesi istenen günden önceki 1 haftaya ait verilerle eğitilen ağlardan elde edilen sonuçlara genel olarak yakın çıkarken sonuçlar naive yönteme göre değerlendirildiğinde kabul edilebilir hata aralıkları elde edilmiştir. İkinci bölümde ise dinamik yapıdaki ağ modellerine, girdi olarak sıcaklık değerleri de eklenmiştir. Ancak çalışmada kullanılan veriler ile kısa süreli tahminler yapıldığında sıcaklık girdisinin, ağların sonuçlarını önemli ölçüde etkilemediği görülmüştür. Son bölümde ise; oluşturulan modellerin tahmin yapabilmek için bir meteorolojik veriye ihtiyaç duyan modeller olması nedeniyle, bu verilerin belirli hata oranlarına sahip olmasının üretim tahmini sonuçlarını nasıl etkilediği incelenmiş ve modellerin tahmin yapması için kullanılan test girdisi, rüzgar hızı, değerlerine %5 ile %20 aralığında eklenen rastgele hatalar ile yeni test girdileri elde edilmiştir. Daha sonra ağlara hata oranları eklenmiş bu test girdileri verilmiş ve elde edilen tahminlerin hata oranları incelendiğinde; meteorolojik verilere eklenen %20 oranında rastgele hatanın bile tahmin sonuçları üzerinde en fazla %2.69 oranında bir ortalama hata artışına neden olduğu görülmüştür.

Özet (Çeviri)

In recent years, wind energy systems become an important source for energy production around the world with increasing installations. When Turkey's wind energy potential is taken into consideration, wind energy systems gain importance also in Turkey in parallel with this development. Because wind is an intermittent source, wind power forecasts are needed for the integration of wind energy systems into the grid and utilizing efficiently the generated energy. As energy production from wind is depends on the wind characteristic of the site, orography, obstacles around the site and such regional conditions, different mathematical models are built for different regions in the literature. In this study, short term electricity production forecasting with ANN was carried out with data obtained from a wind farm which is located in Turkey. Firstly, data sets were examined, data analysis was performed, and suitable data sets for ANN was constructed. Results given from developed models was evaluated according to persistence method which is accepted as a benchmark for short term wind power forecasts. The error for the estimates carried out with two basic ANN models, which are a static and a dynamic model, were found to be in an acceptable range according to persistence method. Generally, the lowest mean absolute percentage errors were obtained from the static ANN model. However, when the estimated average production values was taken into consideration, it was seen that results obtained from dynamic models for chosen time horizons were very close to the actual average production values for these time horizons. When results obtained from models with different activation functions were compared, it was seen that there are no considerable differences between the results. Because training data has a direct effect on learning of network, different networks with different training data were constructed for test days. In this case, while dynamic models was trained with less data compared to static model, static model, trained with a data set which includes data from each season, gave forecast results which had lower errors. Dynamic networks; trained with data belonging to two days preceding the test day and trained with data belonging to one week preceding the test day, gave similar forecast results, and errors of these results were in an acceptable range according to persistence method. In the second part, temperature was added as an input to dynamic ANN models. Because wind farm data was only used for short term forecasts in this study, adding temperature input to networks did not affect forecast results significantly. In the last part, random errors between 5% and 20% were added to test input (wind speed) to investigate the effects of the errors in meteorological data on ANN predictions. Then these test data was used for forecast and it was seen that meteorological data include 20% random error caused an increase in forecast errors only 2.69%.

Benzer Tezler

  1. Tez No

    899175

    Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği

    Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye

    MAYSA GAIDOUM AHMED GAIDOUM

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  2. Tez No

    857545

    Rüzgar çiftliklerinin meteorolojik parametreler üzerindeki etkisi : Model perspektifinden inceleme

    The impact of wind farms on the meteorological parameters: The investigation from the model perspective

    TARIK KAYTANCI

    Doktora

    Türkçe

    Türkçe

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞÜKRAN SİBEL MENTEŞ

  3. Tez No

    477877

    Condition monitoring and control tools for wind energy systems using scada data

    Scada verilerini kullanan rüzgar enerji sistemleri için durum izleme ve kontrol araçları

    YUNUS EROĞLU

    Doktora

    İngilizce

    İngilizce

    2017

    Endüstri ve Endüstri MühendisliğiGaziantep Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SERAP ULUSAM SEÇKİNER

  4. Tez No

    485278

    Kuyruk yeli enerjisi kullanılarak düşey eksenli rüzgar türbin çiftliği geliştirilmesi

    Development of a vertical axis wind turbine farm by using wake energy

    AHMETCAN ETYEMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HİKMET KOCABAŞ

  5. Tez No

    565066

    Meta-sezgisel algoritmalar kullanılarak rüzgar türbinlerinin konumlandırılması

    Positioning of wind turbines using meta-heuristic algorithms

    MEHMET BEŞKİRLİ

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİFE KODAZ

Geri Dön