Geri Dön

Uzun kısa süreli hafıza sinir ağı algoritmasıyla rüzgar enerjisi güç tahmini ön çalışması

Wind power forecasting with long short time memory neural network algorithm preliminary study

  1. Tez No: 851423
  2. Yazar: SELAHATTİN GÜNGÖR
  3. Danışmanlar: DOÇ. DR. HALİL ŞENOL, PROF. DR. İLKAY TÜRK ÇAKIR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Giresun Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enerji Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Enerji Sistemleri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 79

Özet

Yüksek basınçtan alçak basınca doğru yönelen hava hareketi rüzgar olarak adlandırılır. Rüzgarın varoluşunun temeli, sıcak havanın yoğunluğunun soğuk havaya göre daha az olması ve bu sebepten yükselmesi sonucunda iki hava türünün yer değiştirmesidir. Havanın kinetik enerjisi nedeniyle, rüzgar türbinlerinde önce mekanik daha sonra da elektrik enerjisine dönüştürülerek kullanım için gereken elektrik enerji üretilmiş olur. Bu çevrim rüzgar türbinlerinin temel işleyişidir. Rüzgar enerjisi hesabında; güç katsayısı, rüzgarın hızı, hava yoğunluğu ve süpürme alanı gibi değişkenlerden yararlanılır. Bu çalışmada rüzgar enerji elektrik üretimi değerleri kullanılarak bir sonraki yılda üretilen elektrik değerinin tahmini Uzun Kısa Süreli Hafıza yöntemiyle gerçekleştirilmiştir. Veri seti olarak, Yalova Armutlu'da bulunan ve 36 adet türbine sahip olan Yalova Rüzgar Enerjisi Santrali'nin 2018-2021 arasındaki verileri kullanılmıştır. Uzun Kısa Süreli Hafıza yöntemiyle oluşturulan sinir ağı modelinde modele özgü olarak seçilen test ve eğitim veri seti ile sinir ağı modeli eğitilmiştir. İlk 3 yıllık veri eğitim için son 1 yıllık veri test verisi olarak kullanılmıştır. Uzun Kısa Süreli Hafıza yöntemiyle oluşturulan basit ve güçlü sinir ağı modellerinde aylık ve günlük olmak üzere kullanılan iki veri tipi üzerinden tahminler oluşturulmuştur. Bu tahminler sonucunda günlük veriler üzerinde sırasıyla epoch 100, 1000 ve 5000 için Kök Ortalama Kare Hatası değeri 283.24, 264.39 ve 350.48 MW olarak elde edilmiştir. Aylık veriler üzerinden yapılan çalışmada epoch değeri 1000 ve 5000 için sırasıyla Kök Ortalama Kare Hatası değerleri 3680.50 ve 3204.68 MW olarak gözlemlenmiştir. Günlük verilerde epoch değeri arttıkça öğrenmenin artması beklenirken bunun aksine Kök Ortalama Kare Hatası değerinde yükselme gözlemlenmiştir. Aylık verilerde ise beklenen olmuş epoch değeri arttıkça Kök Ortalama Kare Hatası değerlerinde düşüş yaşanmış olmasına rağmen yine de yüksek çıkmıştır. Ön çalışmamıza bakıldığında farklı hiperparametrelerle veya farklı sinir ağları kullanarak daha iyi sonuçlar elde edilebileceği düşünülmektedir.

Özet (Çeviri)

The movement of air from high pressure to low pressure is called wind. The basis for the existence of wind is that the density of warm air is less than that of cold air and therefore the two types of air are displaced as a result of its rise. Due to the kinetic energy of the air, it is converted into mechanical and then electrical energy in wind turbines, generating the electrical energy required for use. This cycle is the basic functioning of wind turbines. Variables such as power coefficient, wind speed, air density and sweep area are utilized in wind energy calculation. In this study, the prediction of the value of electricity generated in the next year using the wind energy electricity generation values is realized with the Long Short Term Memory method. Yalova Wind Power Plant, which is located in Armutlu, Yalova and has 36 turbines, is used as the data set between 2018-2021. In the neural network model created with the Long Short Term Memory method, the neural network model was trained with the test and training data set selected specifically for the model. The first 3 years of data were used for training and the last 1 year of data was used as test data. In the simple and robust neural network models created with the Long Short Term Memory method, forecasts were created over two data types, monthly and daily. As a result of these predictions, Root Mean Square Error values of 283.24, 264.39 and 350.48 MW were obtained for epochs 100, 1000 and 5000 respectively on daily data. In the study on monthly data, Root Mean Square Error values for epoch 1000 and 5000 were observed as 3680.50 and 3204.68 MW, respectively. While it was expected that learning would increase as the epoch value increased in daily data, on the contrary, an increase in the Root Mean Square Error value was observed. In the monthly data, although the Root Mean Square Error values decreased as the epoch value increased, which was expected, it was still high. Looking at our preliminary study, it is thought that better results can be obtained with different hyperparameters or by using different neural networks.

Benzer Tezler

  1. Code clone detection with convolutional neural network

    Konvolüsyonel sinir ağı ile kod klon tespiti

    HARUN DİŞLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE TOSUN

  2. Uzun kısa-süreli hafıza derin yapay sinir ağı ile giresun ili minimum sıcaklık öngörüsü

    Minimum weather temperature forecasting of giresun province using long short-term memory deep artificial neural network

    ONUR DERYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    İstatistikGiresun Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR

  3. Crowd counting, localization and anomaly detection with convLSTM based CNN using synthetic images

    Evrişimli uzun-kısa süreli hafıza tabanlı evrişimsel sinir ağları ile sentetik görüntüler kullanarak kalabalık sayımı, lokalizasyonu ve anomali tespiti

    MUHAMMET FURKAN COŞKUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE AKAR

  4. Uzun kısa süreli hafıza ve geçitli yinelenen birim ileborsa İstanbul 100 endeks değeri tahmini üzerine bir uygulama

    An application on prediction of bist100 index value with lstm and gru

    SERDAR TURAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. İBRAHİM DEMİR

  5. Short term electrıcıty consumptıon forecastıng usıng long short-term memory cells

    Uzun kisa vadeli̇ hafiza ağlari i̇le kisa vadeli̇ elektri̇k tüketi̇m tahmi̇ni̇

    ANIL TÜRKÜNOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK BARUTÇU