Geri Dön

Yapay zeka teknikleri kullanılarak kısa dönem rüzgar gücünün çok katmanlı tahmini

Multi-stage short term wind power forecast by using artificial intelligence techniques

PDF İndir

  1. Tez No: 598088
  2. Yazar: HASAN HÜSEYİN ÇEVİK
  3. Danışmanlar: PROF. DR. MEHMET ÇUNKAŞ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 138

Özet

Bu tez çalışmasında dört farklı veri seti kullanılarak, üç farklı zaman dilimi için rüzgar tahmin modelleri geliştirilmiştir. Zaman dilimlerine göre yapılan çalışmalar sırasıyla, bir sonraki gün için günlük rüzgar enerjisi tahmini, gelecek 24 saat için rüzgar gücü tahmini ve gelecek saat için rüzgar gücü tahminidir. Günlük üretilecek toplam rüzgar enerjisinin tahmini için Türkiye'de bulunan iki santrale ait veriler kullanılmıştır. Giriş olarak kullanılan veriler rüzgar hızı, rüzgar yönü, sıcaklık, nem, basınç gibi Sayısal Hava Tahmin (SHT) değerleridir. Ayrıca mevsim ve geçmiş üç güne ait üretilen rüzgar enerji değerleri de veri setine eklenmiştir. Tahmin yöntemi olarak ANFIS kullanılmıştır. RES1 için tahmin hatası (NMAE, Normalize Ortalama Mutlak Hata) %13.75 iken, RES2 için tahmin hatası (NMAE) %10.23'tür. Gelecek 24 saat rüzgar gücü tahmini için önerilen modellerde iki farklı veri kullanılmıştır. Birinci veri Global Enerji Tahmin Yarışması (GFEC)'na aittir. Bu veri ile iki farklı tahmin modeli önerilmiştir. Birinci modelde Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ve Destek Vektör Regresyon (SVR) yöntemleri kullanılmıştır. ANFIS yöntemiyle elde edilen tahmin hatası (NRMSE, Normalize Ortalama Hata Kareleri Kökü) %14.89 ve SVR yöntemiyle tahmin hatası (NRMSE) %14.77 bulunmuştur. İkinci modelde tahmin yöntemi olarak Yapay Sinir Ağları (YSA) ve Karmaşık YSA kullanılmıştır. YSA tahmin hatası (NRMSE) %16.8 iken, Karmaşık YSA tahmin hatası (NRMSE) %15.77 olarak bulunmuştur. Gelecek 24 saat için yapılan tahmin çalışmasında kullanılan ikinci veri Türkiye'de bulunan bir santrale aittir. Rüzgar güç tahmini için seçilen veriler rüzgar hızı tahmini, rüzgar yönü tahmini, sıcaklık tahmini, basınç tahmini gibi SHT'ler ile her bir türbinden ölçülen rüzgar hızı, rüzgar yönü ve üretilen güç değerleridir. Ayrıca santralde üretilen toplam güç ve santral tarafından yapılan güç tahmin değerleri de veri setinde mevcuttur. Tahmin modeli iki basamaktan oluşmaktadır. Birinci basamakta sayısal hava tahminlerinin santral sahasına indirgenmesi için sırasıyla korelasyon, YSA ve Yapay Arı Kolonisi Algoritması (ABC) kullanılırken, ikinci basamakta ise ANFIS ile tahmin gerçekleştirilmiştir. Önerilen tahmin modeli ile elde edilen tahmin değerleri, santral tarafından gerçekleştirilen rüzgar güç tahmin değerleriyle karşılaştırılmıştır. Santral tarafından yapılan tahmine ait hata değeri test verisi için (NRMSE) %17.23 iken, önerilen modelde tahmin hatası (NRMSE) %16.55 olarak elde edilmiştir. Gelecek saat rüzgar gücü için yapılan tahminde Sotavento Rüzgar Santraline ait saatlik ölçülen rüzgar hızı, rüzgar yönü ve üretilen rüzgar gücü verileri kullanılmıştır. Önerilen tahmin modeli üç adımdan oluşmaktadır. Ön-işleme yöntemi olarak Ampirik Mod Dönüşümü (EMD) ve Duraǧan Dalgacık Dönüşümü (SWD) kullanılarak veriler bileşenlerine ayrılıp, her bir bileşen ayrı ayrı tahmin edilmiştir. Tahmin edilen bileşen değerleri birleştirilerek ana veriye ait tahmin değeri bulunmuştur. Tahmin yöntemi olarak ANFIS, YSA ve SVR kullanılmıştır. İlk iki adımda en iyi sonucu veren tahminin sonucu bir sonraki adıma aktarılırken son adımda yöntemlere ait tahminlerin ortalaması alınmıştır. Ayrıca son-işlem olarak bir saat öncesinde yapılan tahmine ait hata değeri ve 0-1 arasında rastgele üretilen bir sayı kullanılarak tahmin değerleri doğrulama işlemine tabi tutulmuştur. Önerilen modelle gelecek saat için yapılan rüzgar güç tahmin hatası (NRMSE ) 0.0261olarak elde edilmiştir.

Özet (Çeviri)

In this thesis, wind forecasting models have been developed for three different time periods by using four different datasets. The problems are the daily wind energy forecast for the next day, the wind power forecast for the next 24 hours, and, the wind power forecast for the next hour, respectively. The data of two wind power plants which are located in Turkey have been used for the daily wind energy forecast. The data selected as input are some Numerical Weather Prediction (NWP) values such as wind speed, wind direction, temperature, humidity and pressure. In addition, the season and wind energy values produced in the previous three days are added to the inputs. Adaptive Network-Based Fuzzy Inference Systems (ANFIS) is used as the estimation method. The forecast error value (NMAE, Normalized Mean Absolute Error) is 13.75% for Wind Power Plant-1 (WPP1), whereas it is (NMAE) 10.23% for WPP2. Two different datasets have been used in the proposed models to forecast the next 24 hours' wind power. The first one belongs to the Global Energy Forecasting Competition (GFEC). Two different estimation models have been proposed by using this dataset. In the first model, ANFIS and Support Vector Regression (SVR) methods have been used. The forecast errors are found as (NRMSE, Normalized Root Mean Square Error) 15.89% and (NRMSE) 14.77% for ANFIS and SVR, respectively. In the second forecast model, Artificial Neural Network (ANN) and Complex ANN methods are applied. While the ANN forecast error is (NRMSE) 16.8%, the Complex ANN forecast error is found as (NRMSE) 15.77%. Also, another dataset which belongs to a wind power plant located in Turkey is used as the second data to forecast the next 24 hours' wind power. The dataset used for the wind power forecast contains some NWP variables (wind speed, wind direction, temperature, pressure) and some measurements taking from each wind turbine (wind speed, wind direction, generated wind power). In addition to that total generated wind power in WPP and wind power forecast values made by WPP are also available. The prediction model consists of two-stage. The first stage is used to improve the numerical weather prediction values, while the second stage is used for forecasting. While Correlation analysis, ANN and Artificial Bee Colony (ABC) algorithm are used in the first stage, ANFIS is selected in the second stage. The estimation values obtained by the proposed estimation model are compared with the wind power estimation values found by the WPP. While the predicted error value of the WPP is (NRMSE) 17.23% for the test data, the predicted error value is (NRMSE) 16.55% in the proposed model. In the model used for the next hour of wind power forecast, hourly measured wind speed, wind direction, and actual wind power generation data of Sotavento Wind Power Plant have been used. The proposed forecast model consists of three different steps. Using Empirical Mode Decomposition (EMD) and Stationary Wavelet Decomposition (SWD) as a pre-processing method, the data have been separated into components and each component has been forecasted separately. Forecasted component values have been combined and forecast value of the master data is found. ANFIS, ANN, and SVR are used for estimation methods. During the first two steps, the best result of forecast transferred to the next step, while in the last step the estimates of the methods have been averaged. In the last step, the prediction values have been also validated using the prediction error value obtained one hour prior to the post-treatment and using a random number between 0-1. With the proposed model, NRMSE error for the next hour wind power estimation is obtained as 0.026.

Benzer Tezler

  1. Tez No

    623617

    Makine öğrenmesi teknikleri kullanarak yenilenebilir enerji güç üretim tahmini ve optimum hibrit güç sistemi tasarımı

    Renewable energy power generation forecasting and optimal hybrid power system design using machine learning techniques

    HALIL DEMOLLI

    Doktora

    Türkçe

    Türkçe

    2020

    Makine MühendisliğiNiğde Ömer Halisdemir Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT GÖKÇEK

    DR. ÖĞR. ÜYESİ AHMET ŞAKİR DOKUZ

  2. Tez No

    841375

    Design, modelling and control of a nano quadrotor withmicrocontroller based vision system for object tracking

    Nesne takibi için bir nano dört rotorlu helikopterin tasarımı, modellenmesi ve mikrodenetleyici tabanlı görüntü sistemi ile kontrolü

    MUSTAFA ENES KIRMACI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

    PROF. DR. ERDİNÇ ALTUĞ

  3. Tez No

    367705

    Yapay zeka teknikleri kullanılarak öğrenci danışmanlık hizmeti bilişim altyapı tasarımı

    Student consultancy service information infrastructure design using artificial intelligence technics

    SÜMEYYE KAYNAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HAYRETTİN EVİRGEN

  4. Tez No

    711645

    Yapay zeka teknikleri ile açık öğretim lisesi öğrencilerinin mezuniyet tahmini

    Predicting graduation of open education high school students with artificial intelligence technics

    MİRHAÇ SULAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YÜKSEL ÇELİK

    DR. ÖĞR. ÜYESİ ERDAL BAŞARAN

  5. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

Geri Dön