Makine öğrenmesi yöntemleriyle rüzgâr santrali üretim tahmini
Wind power forecasting with machine learning methods
- Tez No: 739274
- Danışmanlar: PROF. DR. OKAN BİNGÖL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
İklim değişikliğinin olumsuz etkileri, fosil yakıtların sonlu rezerve sahip olması ve enerjide dış bağımlılığı azaltması yenilenebilir enerjinin önemini arttırmıştır. Ülkemizin fosil yakıt rezervlerinin yeterli olmaması ve yenilenebilir enerjiye yönelik teşvikler ülkemiz kurulu enerji gücünde yenilenebilir kaynakların oranını arttırmıştır. Ülkemizde rüzgâr santrallerinin kurulu gücü 2021 yılı itibariyle 10 GW'ı aşmıştır. Rüzgârın yenilebilir bir kaynak olması bir avantaj olsa da bu kaynağın süreksiz olmasından dolayı üretimdeki payının artması enterkonnekte sistem işletmecisi için çeşitli problemlere neden olmaktadır. Bu problemlere çözüm olabilmesi için ve elektrik piyasası ve rüzgâr santrali işletmelerinin ihtiyaçlarının karşılanması için rüzgâr gücü tahmini oldukça önemlidir. Bu tez çalışmasında, rüzgâr santralinin türbin anemometresinden elde edilen bir yıllık 10 dakika zaman ufkunda veriler kullanılarak rüzgâr santrali üretim tahmini için; tek değişkenli uzun kısa süreli bellek, çok değişkenli uzun kısa süreli bellek, çok katmanlı algılayıcı, ekstrem gradyan arttırma, evrişimli sinir ağları-uzun kısa süreli bellek, geçitli tekrarlayan birim ve rastgele orman algoritmalarıyla modeller tasarlanmıştır. Kullanılan verilerdeki aykırı veriler izolasyon ormanı algoritmasıyla temizlenmiştir. Her mevsimden seçilen bir ay için (Ocak, Nisan, Temmuz, Kasım) makine öğrenmesi algoritmaları ile tasarlanan modellerin hiperparametre optimizasyonu Bayes optimizasyonu ile yapılmıştır. Modellerin başarısı ortalama mutlak hata, kök ortalama kare hata ve belirleme katsayısı ile ölçülmüştür. Tasarlanan modellerden Ocak, Nisan ve Kasım ayları için sırasıyla 0.926, 0.961 ve 0.946 belirleme katsayısı değerleri ile çok değişkenli uzun kısa süreli bellek modeli, Temmuz ayı için ise 0.916 belirleme katsayısı değeri ile ekstrem gradyan arttırma modeli en başarılı sonucu vermiştir. Bu tez çalışmasında, rüzgâr santralinin türbin anemometresinden elde edilen bir yıllık 10 dakika zaman ufkunda veriler kullanılarak rüzgâr santrali üretim tahmini için; tek değişkenli uzun kısa süreli bellek, çok değişkenli uzun kısa süreli bellek, çok katmanlı algılayıcı, ekstrem gradyan arttırma, evrişimli sinir ağları-uzun kısa süreli bellek, geçitli tekrarlayan birim ve rastgele orman algoritmalarıyla modeller tasarlanmıştır. Kullanılan verilerdeki aykırı veriler izolasyon ormanı algoritmasıyla temizlenmiştir. Her mevsimden seçilen bir ay için (Ocak, Nisan, Temmuz, Kasım) makine öğrenmesi algoritmaları ile tasarlanan modellerin hiperparametre optimizasyonu Bayes optimizasyonu ile yapılmıştır. Modellerin başarısı ortalama mutlak hata, kök ortalama kare hata ve belirleme katsayısı ile ölçülmüştür. Tasarlanan modellerden Ocak, Nisan ve Kasım ayları için sırasıyla 0.926, 0.961 ve 0.946 belirleme katsayısı değerleri ile çok değişkenli uzun kısa süreli bellek modeli, Temmuz ayı için ise 0.916 belirleme katsayısı değeri ile ekstrem gradyan arttırma modeli en başarılı sonucu vermiştir.
Özet (Çeviri)
The negative effects of climate change, finite reserves of fossil fuels and reduction of foreign dependence on energy have increased the importance of renewable energy. Fossil fuel reserves' shortage and incentives, increased the rate of renewable resources in our country's installed power capacity. Installed capacity of wind power plants has exceeded 10 GW as of 2021. While wind being a renewable resource is an advantage, intermittent characteristic causes problems for system operator. Wind power forecasting is very important in order to solve these problems and to meet the needs of the electricity market and wind farms. In this study, for wind forecasting, the data obtained from turbine anemometer in one year time horizon of 10 minutes. Models are designed with univariate long short term memory, multivariate long short term memory, multilayer perceptron, extreme gradient boosting, convolutional neural networks-long short term memory, gated recurrent unit and random forest algorithms. Outliers in the data are cleaned with the isolation forest algorithm. Hyperparameter optimization of the models, designed with machine learning algorithms for a selected month from each season (January, April, July, November) was made with Bayesian optimization. The success of the models was measured by mean absolute error, root mean square error and determination coefficient. Among the designed models, for January, April and November, the multivariate long short term memory model gave the most succesful results with 0.926, 0.961 and 0.946 determination coefficient values, respectively. For July, extreme gradient boosting model gave the most successful result with 0.916 value of determination coeffcient. In this study, for wind forecasting, the data obtained from turbine anemometer in one year time horizon of 10 minutes. Models are designed with univariate long short term memory, multivariate long short term memory, multilayer perceptron, extreme gradient boosting, convolutional neural networks-long short term memory, gated recurrent unit and random forest algorithms. Outliers in the data are cleaned with the isolation forest algorithm. Hyperparameter optimization of the models, designed with machine learning algorithms for a selected month from each season (January, April, July, November) was made with Bayesian optimization. The success of the models was measured by mean absolute error, root mean square error and determination coefficient. Among the designed models, for January, April and November, the multivariate long short term memory model gave the most succesful results with 0.926, 0.961 and 0.946 determination coefficient values, respectively. For July, extreme gradient boosting model gave the most successful result with 0.916 value of determination coeffcient.
Benzer Tezler
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- 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
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ
- 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
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Güç sistemlerinde yenilenebilir enerjiye dayalı rezerv optimizasyonu
Reserve optimization based on renewable energy in power systems
SERDAL ATİÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN İZGİ
DOÇ. DR. MEHMET RIDA TÜR
- Makine öğrenmesi yöntemleriyle Burdur ilinde arazilerin güneş enerjisi santrallerine yönelik uygunluğunun değerlendirilmesi
Evaluation of suitability of lands for solar power plants in burdur province with multi-criteria decision making methods
MUSTAFA YÜCE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ HAKAN IŞIK
DOÇ. DR. MURAT İNCE