Spatiotemporal forecasting of solar power generation with deep learning
Uzayzamansal derin öğrenme ile güneş enerjisi üretimi tahminlemesi
- Tez No: 652448
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, İstatistik, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Güneş enerjisi, en hızlı gelişen karbonsuz elektrik üretim yöntemlerindendir. Küresel iklim krizi ile mücadeledeki önemli rolüne karşın, dağıtık (1 MW kapasitenin altındaki) güneş enerjisi santrallerinin sayısındaki hızlı büyüme, elektrik piyasalarında bazı problemleri beraberinde getirmektedir. Coğrafi olarak geniş bir alanda konumlanmış yüzlerce santral, saatlik elektrik arzında önemli sapmalara yol açabilmektedir. Dolayısıyla, elektrik piyasası işlemlerinde ileri tarihli üretim tahminlemelerinin en yük\-sek isabetle gerçekleşmesi önem arz etmektedir. Bu çalışmada, Orta Anadolu bölgesinde geniş bir alana dağılmış binden fazla güneş enerjisi santralinin saatlik toplam üretim değerlerinin gün öncesinde tahminlenmesi için çözüm üreten çeşitli derin öğrenme teknikleri uygulanmıştır. Halihazırda literatürde bulunan dört farklı derin öğrenme mimarisi, bu çalışmada sunulan paralel yerel bağlantılı uzun-kısa süreli bellek ağı ile birlikte sayısal hava durumu tahminlerinin uzay-zamansal yapısına uyarlanmıştır. Bütün modeller, birden fazla grafik işlemci biriminin kullanıldığı dağıtık yapıdaki bir sezgisel hiperparametre eniyileme işleminden geçirilmiştir. Her model için en iyi çalışan deneme, doğrulama veri kümesi kullanılarak seçildikten sonra modeller kendi aralarında ve referans modellerle karşılaştırmalı olarak raporlanmıştır. Sonuçlar referanslarla kıyaslandığında derin öğrenme modellerinin uzay-zamansal güneş enerjisi tahminleme probleminde iyi çalıştığını göstermiştir.Ayrıca, iyi bir parametre seçilimi sağlandığında düşük karmaşık\-lıktaki modellerin daha karmaşık modellere yakın performans verebileceğini görülmüştür. Her hata ölçevi bakımından galip gelen tek bir model olmasa da, önerilen modelin yanlılık ve varyans ikilemi göz önünde bulundurulduğunda paylaşımlı parametreli ağ ve tam bağlantılı ağ arasında konumlanması gelecek vaat edicidir.
Özet (Çeviri)
Solar power is one of the most rapidly growing carbon-free power generation solutions. It is considered as a key element in the fight against global climate crisis; however, rapid expansion in the distributed PV power, i.e. plants with less than 1 MW capacity, brings about some problems to the electricity markets. Spatially dispersed positioning of hundreds of plants cause significant variations in the power supply where trading operations depend on accurate forecasts of the future production. In this study, several deep learning techniques are implemented for the day-ahead solar power forecasting problem to predict the aggregated output of over a thousand solar stations distributed over a large area in the Central Anatolian Region. Four different architectures in the literature are adapted to the spatiotemporal numerical weather prediction (NWP) data, along with the proposed parallel locally-connected long short-term memory (PLC-LSTM) architecture. All models are put through a distributed heuristic hyperparameter tuning process using multiple graphical processing units (GPUs). Best-performing trials of each model are selected according to their validation results and compared with each other, together with persistence and an individual plant naive model as benchmarks. The results show that deep learning models work considerably well in spatiotemporal PV forecasting problem, compared to benchmarks. Also, it is seen that even simple architectures can perform close to models with a higher degree of complexity, when a good combination of parameters is obtained with a thorough search procedure. Although there is not a single dominating architecture prevailing in all kinds of performance metrics, PLC-LSTM shows promising results by finding a sweet spot of complexity between the shared-weight and fully-connected architectures, considering the bias and variance of the corresponding models.
Benzer Tezler
- Spatio-temporal forecasting over graphs with deep learning
Derin öğrenme ile çizgelerde uzay-zamansal tahminleme
EMİR CEYANİ
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
DR. SALİH ERGÜT
- Türkiye rüzgâr verilerinin bayesyen maksimum entropi yaklaşımıyla uzay-zaman modeli
Spatiotemporal model of Turkey wind speed data with Bayesian maximum entropy approach
ÖZLEM BAYDAROĞLU
Doktora
Türkçe
2016
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. KASIM KOÇAK
- Spatiotemporal series analysis and forecasting: New deep learning architectures on weather and crime forecasting
Uzay-zamansal serilerde analiz ve tahminleme: Hava durumu ve suç tahmininde yeni derin öğrenme mimarileri
SELİM FURKAN TEKİN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
- 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
2024
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
- Elektrik güç sistemlerinin dayanıklılığın artırılması için yeni bir optimizasyon tabanlı yaklaşımın geliştirilmesi
Development of a new resiliency-driven optimization-based algorithm for electrical power systems
AYŞE KÜBRA ERENOĞLU
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. OZAN ERDİNÇ