Geri Dön

Short-term forecasting of wind power production using machine learning and deep learning methods

Makine öğrenmesi ve derin öğrenme yöntemiyle kısa dönem rüzgar gücü üretim tahmini

PDF İndir

  1. Tez No: 541592
  2. Yazar: FEYRUZ AKSOY
  3. Danışmanlar: PROF. DR. ÖMER USTA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 109

Özet

Bu tezin temel amacı, ilgili verileri kullanarak, derin öğrenme yöntemleri ve makine öğrenme yaklaşımları yardımıyla kısa vadeli rüzgar gücü üretim tahminlerine ulaşmaktır. Bu çalışmalarda sunulan araştırmanın temel yöntemleri Regresyon Method'larında ve Yapay Sinir Ağı Metodu'nda uygulanmıştır. Tezde incelenecek türbinler Bursa'nın Harmanlık ilçesindeki rüzgar gücü üretim tesisinde bulunmaktadır. Tesis 2009 yılı ortasında kurulmuştur ve rüzgar santrali 16 adet Vestas 112 rüzgar türbini modelinden oluşmaktadır. Enerji üretim kapasitesi yıllık olarak 52.8 MW 'dır. Bu çalışmada sekiz türbin üzerine odaklanılacaktadır. Makine öğrenim geliştirilebilir ve uygulanabilir bir model olmuştur. Bu çalışmada“Çoklu Doğrusal Regresyon”,“Destek Vektör Regresyon”,“K-En Yakın Komşu ”ve“Karar Ağacı Regresyonu”gibi farklı regresyon yöntemleri ile güvenilir tahmin algoritmaları oluşturulmuştur. Bu ilgili tahmin algoritmaları, Python programında bir uygulama geliştirilmektedir. Ek olarak, derin öğrenme yöntemi optimizasyon uygulanmalarında önemli bir rol oynar. Bu method da Python programında optimum konfigürasyonu kurmak ve rüzgar güç üretimini tahminlemek için kullanılacaktır. Bu regresyon yöntemleri ve yapay sinir ağı yönteminde, rüzgar hızını, sıcaklığı ve geçmiş rüzgar enerjisi üretimini içeren bir veri setinin kullanılmaktadır. Bu işlenmiş datalar 01.09.2016 – 31.08.2018 tarih aralığı için Borusan Enbw enerji şirketinden ve rüzgar üretim tesisindeki meteorolojik sensörlerden elde edilmiştir. Günlük verinin karşılaştırılmasına dayanarak, yapay sinir ağı ve tüm regresyon analizlerinden tek bir türbin için günlük (24 saat) elde edilen tahmin performansları, birbirleri ile karşılaştırıldığında hangi tahmin sonuçları birbirine eşit veya daha iyi olup olmadığına karar verilecektir. Tüm simülasyonlardan sonra bu incelenen yöntemler arasından, rüzgar gücü tahminlemesi için en iyi yönteme karar verilecektir. Bu yapılan çalışmada, bir türbin verisinde iki analiz uygulanmıştır. Bunlardan birincisi iki farklı girdiye sahip tahmin modellerinden elde edilen sonuçları kıyaslamaktadır. İlk analizde hem rüzgar hızı hem de sıcaklık girdi olarak kullanılmış olup, beş method için tahmin sonucu elde edilmiştir. İkinci analizde ise, sadece rüzgar hızı tahmin modeline girdi olarak verilmiştir ve ilgili her method (Çoklu Doğrusal Regresyon“, ”Destek Vektör Regresyon“, ”K-En Yakın Komşu Regresyon“, ”Karar Ağacı Regresyon“ ve ”Yapay Sinir Ağı" ) için tahmin sonuçları elde edilmiştir. Bu iki analizden elde edilen sonuçlar, grafikler ve tablolar ile bu çalışmada gösterilmiştir. Elde edilen sonuçlarda hem rüzgar türbini hem de sıcaklık ile elde edilen doğruluk oranları daha yüksek olduğu için, bu girdilerle oluşturulan tahmin modeli diğer sekiz türbin içinde uygulanmıştır. MSE (Ortalama Karesel Hata), MAE (Ortalama Mutlak Hata), RMSE (Kare Ortalamalarının Karesel Hatası) hesaplamaları ile çeşitli hata parametleri ve bu ilgili günlük tahminlerin doğruluk oranları gösterilmektedir.

Özet (Çeviri)

The primary purpose of this thesis is, by using relating data, to make short-term wind power prediction with the aid of Deep Learning and Machine Learning technology. The main methods of the research presented in these studies have implemented in the Regression Methods and Artificial Neural Network Method. The related turbines are located in the wind farm on Harmanlık in Bursa. It had established in the middle of 2015, and the wind park consists of 16 number Vestas 112 wind turbines models. Power generation capacity is 52.8 MW as annual. In this thesis is going to focus on only eight turbines. Machine Learning has been on the predictable and applicable a model. This study is constituted the prediction algorithm with various regression methods which are Multi Linear Regression, Support Vector Regression, K-Nearest Neighbors, and Decision Tree Regression. These prediction algorithms have been to improve a software application in Python programs. Furthermore, Deep Learning provides a significant part in the implement of optimization. These method has also been to establish the optimum configuration in a software application Python programs to reach the prediction of wind power. These regression methods and Artificial Neural Network has used on various data containing the wind speed, the temperature, and past-wind power production. The processed data was received during years from 01.09.2016 to 31.08.2018 by Borusan Enbw energy company and the Borusan Enbw meteorological sensor in the wind farm. Based on the comparison of daily data has indicated that the artificial neural network and the whole regression analyses might obtain performances, that is the regular (24 hours) forecasting for a single turbine, whether which prediction results are equal or even better compared to each other. After all simulation, it will decide that the best method to adopt for this the prediction of wind power within among methods. All forecast result generated with these identified methods. All considered models are using wind speed of the location and the temperature of the area from sensors. Moreover, it has been to apply the most critical data which is past production data from 01.09.2016 to 31.08.2018 as an hourly. After that, it has implemented two analysis. One of them will compare between the prediction results, which obtains only wind speed and, the prediction results, which receive both wind speed and the temperature to each other for one turbine by using the Regression Methods and Artificial Neural Network. According to these solutions, it was decided to use two input parameters, which are the wind speed and the temperature. It was implemented the related inputs for five methods. It has a presentation of graphs detailing how well the methods (“Multi Linear Regression,”“Support Vector Regression,”“K-Nearest Neighbors,”“Decision Tree Regression”and“Artificial Neural Network”) perform in the studies. Furthermore, the second analysis has compared to the accuracies for eight turbines by using target data and prediction data. These results are also briefly explain in this thesis. It is shown the various prediction results and their relative performance by measuring MSE, MAE, RMSE.

Benzer Tezler

  1. Tez No

    688438

    Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini

    Short-term wind forecast using machine learning methods

    KÜBRA YAZICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SEMRA BORAN

  2. Tez No

    746666

    Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms

    Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak

    CEM ÖZEN

    Doktora

    İngilizce

    İngilizce

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ DENİZ

  3. Tez No

    887668

    Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  4. Tez No

    907741

    Gün öncesi elektrik piyasası için kısa dönemli rüzgar gücü üretim tahmin yöntemi

    Short-term wind power generation forecasting method for day-ahead electricity market

    EZGİ ARSLAN TUNCAR

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAFAK SAĞLAM

    PROF. DR. BÜLENT ORAL

  5. Tez No

    788505

    550 kwp kurulu güce sahip güneş santralinin makine öğrenmesi ile kısa vadeli elektrik üretim tahmini

    Prediction of short-term electricity production amount of solar power plant with 550 kwp installed capacity using machine learning

    ALİCAN GÜZEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBurdur Mehmet Akif Ersoy Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET ÇİFCİ

Geri Dön