Geri Dön

Rüzgar hız ve enerji verilerinin tahmini için kaotik yaklaşımla birlikte destek vektör regresyonunun kullanımı

The use of support vector regression in conjunction with the chaotic approach for the forecasting of wind speed and energy data

PDF İndir

  1. Tez No: 558900
  2. Yazar: ELİF BEYZA ÇATALBAŞ ERDOĞAN
  3. Danışmanlar: PROF. KASIM KOÇAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Meteoroloji, Meteorology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
  13. Sayfa Sayısı: 87

Özet

Günden güne enerjiye olan talebin artması ile enerji gereksinimini karşılayamayan ülkelerin ithal enerjiye yönelimi arttırmaktadır. Bu durum da dışa bağımlılığının artmasına sebep olmaktadır. Günümüzde ülkeler arasındaki rekabet gücünü arttırmakta yenilenebilir enerjinin payındaki önem tüm dünya tarafından kabul edilmiştir. Bu sebeple Dünya'da ve Türkiye'de diğer yenilenebilir enerji kaynakların sayısı hızlı bir şekilde artmaktadır. Türkiye'de rüzgar enerjisinin elektrik güç sistemindeki sayısının artması şebekeye bağlantı noktasında enerji kalitesi ve şebeke etkileşimi konularında bazı sorunlar ortaya çıkmasına sebep olmaktadır. Rüzgâr hızındaki değişimlerden dolayı rüzgâr gücü kesintili ve değişken bir yapıya sahiptir. Bu durum rüzgar santrallerinin rüzgar türbinlerinin çalışması esnasında güç değişikliklerine, şebekede güç dalgalanmalarına ve dengesizliklere sebep olmaktadır. Bu dengesizlikler sadece konvansiyonel üretim santrallerini tarafından dengelemek zorundadır. Bu nedenle rüzgar enerji santrallerinin gün içerisinde üretecekleri elektrik enerjisini tahmin etmesi elektrik piyasası ve sistem dengesizliğini gidermek için önem arz etmektedir. Rüzgarın alansal ve zamansal süreksizliğinin yanı sıra rüzgar hızı ve enerjisi arasında doğrusal bir ilişki olmaması elektrik piyasasında olumsuz etkilere neden olmaktadır. Santral işletmecilerinin gün öncesinde verdiği üretim teklifinin, gerçekleşen üretim teklifinden eksik veya fazla olması şirketin zarar etmesine sebep olmaktadır. Hem santral sahibi hem de sistem işletmecisi açısından yüksek doğruluğa sahip tahmin önemlidir. Ayrıca tahmin doğruluğunun artması elektrik piyasası işlemlerinde risklerden arınma ve gün öncesi piyasayı daha iyi kullanarak geliri arttırma imkanı sunmaktadır. Bu tezde, gün öncesi rüzgar hız ve enerji tahmini için son zamanlarda bütün dünyada hızla yaygınlaşarak büyük önem kazanan iki güçlü yöntem kullanılmıştır; bunlardan biri kaos teoremi diğeri destek vektör regresyonudur. Bu yöntemler ile rüzgar hızı ve enerji tahmini için yeni bir yaklaşım sunulmaktadır. Önerilen yöntem, gerçek rüzgar hız ve enerji verileri kullanılarak değerlendirilmiştir. Elde edilen tahmin sonuçlarına bakıldığında tahminlerin hata oranlarının oldukça düşük olduğu görülmüştür. Yapay sinir ağları yöntemi (ANN) ile karşılaştırıldığında destek vektör regresyonu yönteminin daha iyi sonuçlar ortaya koyduğu literatürdeki çalışmalar ile doğrulanmıştır bu çalışmanın sonuçları da bu durumu destekler niteliktedir. Bu çalışmada kullanılan veri, Borusan ENBW Enerji firmasının Bursa'nın Karacabey İlçesi'ndeki Harmanlık RES'e ait gerçek rüzgar hız ve enerji zaman serileridir. Harmanlık RES'e ait 3, 6 ,10 ve 14 numaralı rüzgar türbinleri için Mart ayına ait rüzgar hız ve enerji tahmini yapılmıştır. Rüzgar hız ve enerji tahmininde kullanılan zaman serileri; 1 Mart 2018 ile 31 Mart 2018 tarihleri arasında 10 dakika aralıklarla kaydedilen 4464 adet veriyi içermektedir. Rüzgar hız ve enerji tahmin modelini eğitmek için 30 günlük veri, test etmek için 1 günlük veri kullanılmıştır. Rüzgar hız ve enerji verileri stokastik veya kaotik doğasından dolayı periyodik hareketler yerine ciddi dalgalanmalar gösterir. Karmaşık rüzgar karakterlerini yakalamak için kaotik zaman serisi analiz yöntemi kullanılır. Faz uzayını yeniden oluşturmak için öncelikle gömme parametreleri gömme boyutu ve zaman gecikmesini bulunması gerekmektedir. Gömme boyutu ve zaman gecikmesini hesaplamak için sırasıyla en yakın yanlış komşu (FNN) ve karşılıklı bilgi fonksiyonu (MIF) yöntemleri kullanılmıştır. Bu gömme parametreleri belirtilen yöntemler ile TISEAN programı kullanılarak hesaplanmıştır. TISEAN lineer olmayan deterministik dinamik sistemler teorisine veya kaos teorisine dayanan yöntemler ile zaman serilerinin analizi için halka açık bir yazılım projesidir. Gömme boyutu için FNN'nin 0'a yaklaştığı nokta seçiliken, zaman gecikmesi için MIF'nin ilk lokal minimum değeri alınmıştır. Çalışmada kullanılan zaman serileri için gömme boyutu 5 iken zaman gecikmesi 53 ile 71 arasında değişmektedir. Gömme boyutları elde edildikten sonra faz uzayı yaklaşımı ile orijinal rüzgar hız ve enerji verilerini daha yüksek boyutlu bir özellik uzayına taşıyarak bu uzayda doğrusal olarak uygun hiper düzlemler ile ayrılabilmesini sağlanabilmiştir. Faz uzayı kurulduktan sonra 30 günlük eğitim ve 1 günlük test veri setleri oluşturulmuştur. Bu çalışmadaki tüm DVR uygulamalarında, DVR yazılımı olan LIBSVM kullanılmıştır. LIBSVM çok sınıflı sınıflandırmayı destekleyen, destek vektör sınıflandırması, regresyonu ve dağılım tahmini için entegre bir yazılımdır. DVR tahmin uygulamasında kullanılan regresyon parametrelerinin (C ceza parametresi, ϵ hata tolenransı, ve g Gaussian kernal fonksiyonu) optimum değerleri Fortran kodu ile belirlenen aralıklar için hesaplanmıştır. Daha sonra eğitim verileri DVR kullanılarak eğitilmiş ve test verileri tahmin edilmiştir. 30 günlük rüzgar hız ve enerji zaman serisine DVR uygulanarak bir adım ileri tahmin ile 1 günlük rüzgar hız ve enerji zaman serisi tahminlerini elde edilmiştir. Tahmin edilen rüzgar hız ya da enerji verisi ile gerçek rüzgar hız ve enerji verisi karşılaştırılmıştır. Rüzgar hız ve enerji verisinin tahmini yapıldıktan sonra modelin tahmin sonuçlarının gerçek veriyi ne kadar iyi temsil ettiğini belirlemek amacıyla hata analizi yapılmıştır. Bu çalışmada hata analizi için ortalama mutlak hata (MAE), normalize edilmiş kök ortalama kare hata (NRMSE), determinasyon katsayısı (R2), bağıl kök ortalama kare hata (RRMSE) ve ortalama sapma hata (MBA) yöntemleri kullanılmıştır. Hata yöntemlerine bakıldığında modelin düşük ortalama mutlak hataya ve yüksek determinasyon katsayısına sahip olduğunu göstermektedir. NRMSE ve RRMSE'ye bakıldığında ise tahminin yüksek bir doğruluğa sahip olduğu görülmektedir. MBE değeri ise ortalama değere göre tahmin verilerinin sapma ölçüsünün az olduğunu gözlemlemektedir. Tahmin sonuçlarına bakıldığında ortalama mutlak hatanın rüzgar hız tahmininde en düşük değeri türbin 3 için 0,49m/s, en yüksek değeri ise türbin 6 için 0,6m/s olarak hesaplanmıştır. Benzer şekilde enerji tahmininde ise ortalama mutlak hatanın en yüksek değeri türbin 14 için 36 kWh, en düşük değeri türbin 10 için 18,29 kWh olduğu görülmüştür. Determinasyon katsayısının ise %96 ile %98 arasında değişen değerler aldığı ve tahmin doğruluğunun yüksek olduğu yorumunu yapmak doğru olacaktır. NRMSE değerleri de %15 ile %26 arasında RRMSE değerleri %11 ile %26 arasında değişmekte olup determinasyon katsayısı gibi tahmin sonuçlarının doğruluğunu vurgulamaktadır. Rüzgar hız tahmininde ortalama sapma hatanın en düşük değeri türbin 10 için -0,04m/s, en yüksek değeri ise türbin 6 için 0,26m/s olarak hesaplanmıştır. Benzer şekilde enerji tahmininde ortalama sapma hatanın en yüksek değeri türbin 14 için 0,05 kWh, en düşük değeri türbin 6 için -4,43 kWh olduğu görülmüştür. Bu sonuçlara bakarak modelin gün öncesi rüzgar hız ve enerji tahmini için iyi bir doğruluğa sahip olduğu görülmüştür.

Özet (Çeviri)

With the increasing demand for energy from day to day, imported energy orientation of the countries which cannot meet the energy requirements increases. This situation leads to an increase in foreign dependency. Nowadays, it is accepted by all the world that renewable energy has a share in increasing the competitiveness among countries. For this reason, a number of renewable energy sources in the world and Turkey is increasing rapidly. Increasing number of the electric power system of wind energy in Turkey causes some problems such as energy quality and network interaction at the network connection point. Due to the changes in the speed of the wind, the wind power has a discontinuous and variable structure. This situation causes power changes during the operation of wind turbines of wind farms, power fluctuations in the network and imbalances. These imbalances must be balanced only by conventional generation plants. For this reason, the estimation of the electrical power generated by wind power plants during the day is important for eliminating the electricity market and system imbalance. The absence of a linear relationship between wind speed and power as well as the spatial and temporal discontinuity of the wind causes negative effects on the electricity market. Panel sanctions are imposed on imbalances in the case that the production proposal given by the plant operators is missing or more than the actual production proposal. High accuracy estimation is important for both the plant owner and the system operator. In this study, two powerful methods have been used for th day ahead wind forecast wind speed and energy, which have recently become increasingly widespread all over the world; one of them is chaotic approach and the other is support vector regression. With these methods, a new approach for wind speed and energy estimation is presented. The proposed method was evaluated using actual wind speed and energy data. When the estimation results are obtained, it is seen that the error rates of the estimations are quite low. It was confirmed by studies in the literature that support vector regression method showed better results compared with artificial neural network method (ANN). The results of this study also support this situation. The data used in this study are real wind speed and energy time series obtained from Borusan ENBW Energy Harmanlık WPP. Harmanlık RES is located in Karacabey District of Bursa. For wind turbines belonging to Harmanlık WPP 3, 6, 10 and 14, wind speed and energy estimation was made using the March data. Wind speed and energy time series between March 1, 2018 and March 31, 2018 were used in wind speed and energy estimation. The measurement includes 4464 data recorded at 10-minute intervals.30-day data to train the wind and energy estimation model and 1-day data was used to test. Wind speed and energy data show serious fluctuations instead of periodic movements due to stochastic or chaotic nature. The chaotic time series analysis method is used to capture complex wind characters. In order to regenerate the phase space, it is necessary to first calculate embedding parameters such as embedding dimension and time delay. The false nearest neighbor (FNN) and mutual information function (MIF) methods were used in order to calculate the embedding dimension and time delay respectively. These embedding parameters were calculated using the TISEAN program. TISEAN is a public software project for the analysis of time series with methods based on nonlinear deterministic dynamic systems theory or chaos theory. The point where the FNN is approaching 0 is selected for the embedding dimension and the first local minimum value of the MIF is selected for the time delay. For the time series used in the study, while the embedding dimension is 5, the time delay varies between 53 and 71. After the embedding dimensions are achieved, the phase space approach moves the original wind speed and energy data to a higher dimensional space and it allows to be separated linearly with suitable hyperplanes in this space. After the phase space was installed, 30-day training and 1-day test data set were formed. In all SVR applications in this study, LIBSVM which is the SVR software was used. LIBSVM is an integrated software for supporting multi-class classification, support vector classification, regression and distribution estimation. The optimum values of the regression parameters (C penalty parameter, ϵ determined distance, and g gaussian kernal function) used in the SVR prediction application were calculated within ranges determined by the Fortran code. Training data were then trained using the SVR and the test data were estimated. The 1-day ahead wind speed and energy time series estimates were obtained with a one-step forward estimate using a 30-day wind speed and energy time series by applying the SVR. Estimated wind speed or energy data and actual wind speed and energy data were compared. After the estimation of wind speed and energy data, error analysis was performed to determine how well the estimation results of the model represent the actual data. To indicate the performance of the models, the following statistical test methods are used: mean absolute error (MAE), normalized root mean square error (NRMSE), determination coefficient (R2), relative root mean square error (RRMSE) and mean bias error (MBE). Looking at the error methods, the model has low mean absolute error and high coefficient of determination. Looking at NRMSE an RRMSE, the estimation seems to have a high accuracy. MBE is intended to measure average model bias and it shows that bias is very low in this study. When the estimation results are considered, the lowest value of the average absolute error (MAE) in wind speed estimation was 0.49 m/s for turbine 3 and the highest value was calculated as 0.6 m/s for turbine 6. Similarly, the maximum value of the average absolute error in wind energy estimation was found to be 36 kWh for turbine 14 and the minimum value was found 18.29 kWh for turbine 10. The coefficient of determination is between 96% and 98%. Therefore, it would be correct to comment that the prediction accuracy is high. NRMSE values range from 18% to 29% and RRMSE values range from 11% and 26% emphasize the accuracy of estimation results, such as the coefficient of determination. In addition to this, the lowest value of the mean bias error (MBE) in wind speed estimation was -0,04 m/s for turbine 10 and the highest value was calculated as 0.26m/s for turbine 6. Similarly, the highest value of the mean bias error(MBE) in energy estimation was found to be 0.04 kWh for türbine 10 and the lowest value found -4.43 kWh for turbine 6. Acording to these results, the model was found to have good accuracy for day ahead wind speed and energy estimation.

Benzer Tezler

  1. Tez No

    489487

    Unsteady atmospheric flow solutions with OpenFOAM coupled with the numerical weather prediction software, WRF

    OpenFOAM ile akuple numerik hava tahmin modeli, WRF kullanılarak zamana bağlı atmosferik akış çözümleri

    ENGİN LEBLEBİCİ

    Doktora

    İngilizce

    İngilizce

    2018

    EnerjiOrta Doğu Teknik Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI TUNCER

  2. Tez No

    894533

    Techno-economic analysis of onshore and offshore wind farms in Türkiye

    Türkiye'deki karasal ve denizüstü rüzgar santrallerinin tekno-ekonomik analizi

    SAMET ERGİŞİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. ÖNDER GÜLER

  3. Tez No

    519792

    Rüzgar hız ve potansiyelinin stokastik süreçlerle modellenerek Karabük ilinde uygulanması

    Modelling of wind speed and potential with stochastic process; a case application of Karabuk

    BAYRAM KÖSE

    Doktora

    Türkçe

    Türkçe

    2018

    EnerjiKarabük Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. ZİYADDİN RECEBLİ

  4. Tez No

    821342

    Theoretical modeling of the energy efficiency of a shopping mall

    Bir alışveriş merkezinin enerji verimliliğinin teorik modellenmesi

    HAMZA ABUALESS

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    EnerjiAtatürk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. KADİR BİLEN

  5. Tez No

    744913

    Küresel iklim değişikliğinin rüzgar ve dalga iklimi üzerindeki etkisinin araştırılması; Karadeniz örneği

    Investigation of the impact of global climate change on wind and wave climate; A case study of the Black Sea

    FULYA İŞLEK

    Doktora

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. YALÇIN YÜKSEL

Geri Dön