Derin öğrenme tabanlı hibrit tahminleme modeli kullanarak rüzgar hızı tahminlemesi
Wind speed forecasting using a deep learning-based hybrid forecasting model
- Tez No: 739953
- Danışmanlar: DOÇ. DR. CEM EMEKSİZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Günümüzde enerjiye ihtiyaç gün geçtikçe artmaktadır. Bu talebin karşılanabilmesi için fosil temelli kaynaklara göre daha çevreci bir yapıya sahip olan yenilenebilir enerji kaynakları ön plana çıkmaktadır. Bu enerji kaynaklarının başında gelen rüzgar enerjisine, sahip olduğu ekonomik ve çevresel birçok avantajlardan dolayı araştırmacılar tarafından son yıllarda yoğun ilgi gösterilmektedir. Özellikle rüzgar enerjisi çevrim sistemlerinin en önemli girdisini rüzgar hızı oluşturmaktadır. Rüzgar hızının değişkenlik gösteren doğası gereği, enterkonnekte sistemlere dahil edilmesinde sorunlarla karşılaşılmaktadır. Karşılaşılan bu sorunların çözümlenmesinde rüzgar hızının doğru ve güvenilir bir şekilde tahminlemesi üzerinde yoğun çalışmalar gerçekleştirilmektedir. Gerçekleştirilen bu çalışmalar ile yüksek doğrulukta tahmin edilen rüzgar hızı kullanılarak başarılı, verimli enerji sistemleri ve bu sistemlerin optimizasyonu sağlanabilmektedir. Bu tez çalışmasında derin öğrenme yöntemleri ile rüzgar hızı tahmini için hibrit bir model önerilmektedir. Önerilen model Evrişimsel Sinir Ağları (CNN) ve Kapılı Tekrarlayan Birim (GRU) modellerinden oluşmaktadır. Bu tez çalışmasında yer alan rüzgar hızı verileri Tokat Gaziosmanpaşa Üniversitesi Mühendislik ve Mimarlık Fakültesi yerleşkesinde yer alan ölçüm istasyonundan elde edilmiştir. İstasyonda yer alan sensörler aracılığı ile 1'er saat aralıklar ile 3 yıllık (2018-2020) veri seti oluşturulmuştur. Oluşturulan veri seti kullanılmadan önce normalizasyon işlemi ile veri ön işlemesine tabi tutulmuştur. Sonrasında 3 farklı vaka çalışması için veriler haftalık, aylık ve yıllık olmak üzere ayrılmıştır. Önerilen modelin doğruluğu ve güvenilirliği performans kriterleri (MAPE, R2, RMSE) ile test edilmiştir. Modelin başarısını ölçmek için 5 farklı derin öğrenme yöntemleri (CNN-LSTM, CNN-RNN, LSTM-GRU, LSTM, GRU) ile kıyaslanması yapılmıştır. Rüzgar hızı tahminlemesi alanında ilk kez kullanılan CNN-GRU hibrit modeli yapılan kıyaslamalar neticesinde yüksek bir başarı yüzdesi elde ettiği gözlemlenmiştir.
Özet (Çeviri)
Nowadays, the need for energy is increasing day by day. In order to meet this demand, renewable energy sources that have a more environmentally friendly structure than fossil-based sources come to the fore. Due to the many economic and environmental advantages that wind energy, which is one of the leading energy sources, has in recent years, researchers have been paying great attention to it. In particular, the most important input of wind energy cycle systems is wind speed. Due to the variable nature of the wind speed, problems are encountered with its inclusion in interconnection systems. In solving these problems, intensive studies are being carried out on accurate and reliable forecasting of wind speed. With the help of these studies, successful, efficient energy systems and optimization of these sites can be achieved by using the wind speed estimated with high accuracy. In this thesis, a hybrid model for wind speed estimation with deep learning methods is proposed. The proposed model consists of Convolutional Neural Networks (CNN) and Gated Recurrent Unit (GRU) models. The wind speed data in this thesis study were obtained from the measurement station located at the Faculty of Engineering and Architecture campus of Tokat Gaziosmanpasa University. A 3-year (2018-2020) data set has been created with December intervals of 1 hour through the sensors located at the station. The generated data set was subjected to data preprocessing by normalization process before being used. Then, the data were divided into weekly, monthly and yearly for 3 different case studies. The accuracy and reliability of the proposed model were tested by performance criteria (MAPE, R2, RMSE). In order to measure the success of the model, a comparison was made with 5 different deep learning methods (CNN-LSTM, CNN-RNN, LSTM-GRU, LSTM, GRU). It has been observed that the CNN-GRU hybrid model, which was used for the first time in the field of wind speed forecasting, achieved a high percentage of success as a result of comparisons made.
Benzer Tezler
- Hibrit derin öğrenme teknikleri kullanılarak kısa dönemli rüzgar tahmini
Short-term wind forecasting using hybrid deep learning techniques
MEHMET BALCI
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ
DOÇ. DR. EMRAH DOKUR
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Wind-optimized route planning with deep reinforcement learning
Derin pekiştirmeli öğrenme ile rüzgar optimizasyonlu rota planlaması
MELİH SAFA CENGİZ
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ BAŞPINAR
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Renewable energy forecasting and real-time decision-making for reducing prediction error costs in electricity markets using ARIMA, BILSTM and reinforcement learning
ARIMA, BILSTM ve pekiştirmeli öğrenme kullanarak elektrikpiyasalarında tahmin hatası maliyetlerini azaltmaya yönelik yenilenebilir enerji tahmini ve gerçek zamanlı karar verme
SARA EMAMINIA
Yüksek Lisans
İngilizce
2025
EnerjiBahçeşehir ÜniversitesiEnerji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN GÜNHAN ÖZCAN
DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN