Türkiye'nin günlük rüzgar enerjisi üretiminin derin öğrenme ile modellenmesi
Modeling daily wind power production of turkey using deep learning
- Tez No: 760679
- Danışmanlar: DOÇ. DR. RUKİYE DAĞALP, DR. ÖĞR. ÜYESİ KAMİL DEMİRBERK ÜNLÜ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 91
Özet
Sanayi ve teknolojideki gelişmeler ile birlikte elektriğe olan talep gün geçtikçe artmaktadır. Elektriğin depolanamaması nedeniyle üretim ve tüketim dengesini sağlayabilmek büyük önem arz etmektedir. Bu dengenin korunabilmesi ve doğru politikaların uygulanabilmesi için güçlü bir öngörüye ihtiyaç duyulmaktadır. Güçlü bir öngörüye sahip olabilmek için ise yeterli bilgiye sahip bir veri setine ve istatistiksel modellere ihtiyaç vardır. Bu çalışmada 1 Ocak 2015 tarihinden 23 Ocak 2022 tarihine kadarki TEİAŞ tarafından oluşturulmuş günlük bazda rüzgar enerjisi sayesinde üretilen elektrik yükü miktarını içeren veri seti üzerinde çalışılmıştır. Çalışmanın amacı; Türkiye'deki günlük rüzgar enerjisinden üretilen elektriğin derin öğrenme teknikleri kullanılarak tahmin modelinin oluşturulması ve gerçek değerlere yakın tahmin değerleri üretebilmektir. Derin öğrenme teknikleri birçok tahmin probleminin çözümünde etkili sonuçlar vermektedir ve derin öğrenmenin popülaritesi tüm dünyada hızla artmaktadır. Bu çalışmada ise etkili bir tahmin modeli kurabilmek için Uzun- Kısa Vadeli Bellek (LSTM), İki Yönlü Uzun- Kısa Vadeli Bellek (BLSTM), Kapılı Tekrarlayan Ağ (GRU) ve Evrişimli Sinir Ağı (CNN) algoritmaları kullanılmış ve karşılaştırılmıştır. Algoritmalar çalıştırılırken en iyi performansı tespit etmek için gecikme boyutu (lag size) ve düğüm sayısı (number of nodes) çeşitli kombinasyonlarda test edilmiştir. Önerilen dört algoritmanın performansını değerlendirebilmek için Belirleme Katsayısı , Hata Kare Ortalaması (MSE), Hata Kareler Ortalamasının Karekökü (RMSE) ve Hatanın Mutlak Ortalaması (MAE) kullanılmıştır. Test setindeki tahmin sonuçları performans metrikleri üzerinden değerlendirildiğinde CNN algoritmasının en iyi performansı gösteren algoritma olduğuna karar verilmiştir. CNN algoritmasının en iyi tahmin değeri MAE = 0.0063, MSE = 0.0001, RMSE= 0.0083, R2= 0.9986 olarak hesaplanmıştır.
Özet (Çeviri)
The increasing world population and the technological and industrial advancements result in an ever-growing demand for electricity. Maintaining the balance between production and consumption requires adopting new policies and using reliable predictive techniques in the absence of efficient and cost-effective methods to store electricity. Deep learning methods have been used to support various decision-making processes by assessing and analyzing big data and providing accurate predictions. As such, deep learning models can be utilized to improve our ability to predict the energy production in many different parts of the world. In this thesis, we are particularly interested in establishing a forecasting model of Turkey's daily wind energy production using deep learning methods based on the data between January 1, 2015, to January 23, 2022. To achieve that, we apply Long-Short-Term Memory (LSTM), Bidirectional Long-Short-Term Memory (BLSTM), Gated Repetitive Network (GRU), and Convolutional Neural Network (CNN). Long-Short-Term Memory (LSTM), Bidirectional Long-Short-Term Memory (BLSTM), Gated Repetitive Network (GRU), and Convolutional Neural Network (CNN) using different lag sizes and number of nodes. We evaluate the predictive results of these algorithms by calculating performance metrics such as Adjusted R squared, Mean Squared Error (MSE), Root Squared Mean Squared Error (RMSE) and Absolute Mean Error (MAE). Our results show that CNN algorithm has the best predictive value with MAE = 0.0063, MSE = 0.0001, RMSE= 0.0083, R2= 0.9986.
Benzer Tezler
- Manisa Soma bölgesi için meso ölçek sayısal hava tahmin modeli (WRF) ve hesaplamalı akışkanlar dinamiği modeli (WINDSIM) kullanılarak kısa vadeli rüzgar enerjisi tahmini
Short term wind energy prediction system for Manisa Soma region by using numerical weather prediction model (WRF) and computational fluid dynamics(WINDSIM) model
BAHTİYAR EFE
Yüksek Lisans
Türkçe
2012
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. Ş. SİBEL MENTEŞ
- Forecasting of wind power generation: A comparative study
Rüzgar enerjisi üretiminin tahmini: Bir karşılaştırmalı çalışma
SHER YAR KHAN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN
- Yenilenebilir enerji santrallerinde yapay sinir ağları yöntemiyle enerji üretiminin modellenmesi ve planlanması
Modeling and planning of energy production in renewable energy stations with artificial neural networks
MUSTAFA ALPER ÖZPINAR
Doktora
Türkçe
2007
EnerjiYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF.DR. DÜRRİYE BİLGE
PROF.DR. ERALP ÖZİL
- 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
- Elektrik enerjisi tüketimi, Türkiye değerlendirmesi ve analitik hiyerarşi süreci ile irdelenmesi
Consumption of electrical energy, Turkish review and study of analitycal hierarchy process
KEMAL GÖK
Yüksek Lisans
Türkçe
2016
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ASİYE BERİL TUĞRUL