Makine öğrenme ve derin öğrenme ile rüzgâr hızının tahmini
Prediction of wind speed using machine learning and deep learning
- Tez No: 883479
- Danışmanlar: PROF. DR. EMRE ÇOMAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yenilenebilir enerji, Renewable energy
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde, enerji sektörü, teknolojik ilerlemelerin hız kazanması ve çevresel etkenlerin etkisiyle önemli değişimlere maruz kalmaktadır. Bu değişim sürecinde, yenilenebilir enerji kaynakları, özellikle rüzgâr enerjisi, giderek artan bir öneme sahiptir. Rüzgâr enerjisi, sürdürülebilir enerji portföylerinde kilit bir rol oynamakta olup, rüzgâr hızı tahmini, rüzgâr enerjisi santrallerinin performansını artırmak ve enerji üretim süreçlerini optimize etmek için kritik bir unsurdur. Bu araştırma, rüzgâr enerjisi potansiyelinin en etkili şekilde değerlendirilmesi amacıyla Çanakkale ili Bozcada, Gökçeada, Ezine ve Ayvacık ilçelerindeki rüzgâr hızı tahminine odaklanmıştır. Rüzgâr hızının doğru tahmin edilmesi, rüzgâr enerjisi santrallerinin verimliliğini artırarak enerji üretimindeki dalgalanmaları minimize etme potansiyeline sahiptir. Bu çalışma, rüzgâr hızı tahminini iyileştirmek için farklı makine öğrenmesi ve derin öğrenme algoritmalarının performansını incelemektedir. Uygulanan algoritmalar arasında Uzun Kısa Süreli Bellek (LSTM), Aşırı Dereceli Artırma (XGBoost), k-En Yakın Komşu, Yapay Sinir Ağları ve Evrişimli Sinir Ağları gibi önemli modeller bulunmaktadır. Sonuçlar, rüzgâr hızı tahmininde LSTM ve XGBoost değerlerinin genellikle yüksek bir doğruluk sağladığını ve diğer modellere göre daha başarılı olduğunu göstermektedir. XGBoost modeli, Ayvacık ilçesinde 0,9438 R-kare değeriyle en yüksek doğruluğu sağlarken, Bozcaada ve Ezine'de de benzer şekilde yüksek R-kare ve düşük hata metrikleriyle dikkat çekmiştir. Öte yandan, Gökçeada ilçesinde LSTM modeli 0,964 R-kare değeriyle diğer modellere göre yüksek doğruluk sağlamış, ancak MAPE gibi bazı hata metriklerinde dezavantaj göstermiştir. Bu bulgular, genellikle LSTM modelinin rüzgâr hızı tahmininde yüksek doğruluğa sahip olduğunu ve bazı durumlarda diğer modellerin de uygun olduğunu göstermektedir. Bu bulgular, tahmin modellerinin veri kalitesinin iyileştirilmesi ve farklı algoritmaların kullanılmasıyla doğruluğunun artırılabileceğini vurgulamaktadır. Gelecekteki araştırmaların, rüzgâr enerjisi sektöründe tahmin modellerinin daha da geliştirilmesi ve operasyonel verimliliğin artırılması üzerine odaklanması gerektiği sonucuna varılmıştır.
Özet (Çeviri)
In today's world, the energy sector is undergoing significant changes due to the acceleration of technological advancements and the impact of environmental factors. In this process of transformation, renewable energy sources, particularly wind energy, are becoming increasingly important. Wind energy plays a crucial role in sustainable energy portfolios, and wind speed forecasting is a critical factor in improving the performance of wind energy farms and optimizing energy production processes. This research focuses on wind speed prediction in the provinces of Bozcaada, Gökçeada, Ezine, and Ayvacık in Çanakkale province, aiming to effectively assess the wind energy potential. Accurate prediction of wind speed has the potential to increase the efficiency of wind energy farms, minimizing fluctuations in energy production. This study examines the performance of various machine learning and deep learning algorithms to enhance wind speed prediction. Among the applied algorithms are Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), k-Nearest Neighbors, Advanced Artificial Neural Networks, and Convolutional Neural Networks. The results generally indicate that LSTM and XGBoost models achieve high accuracy in wind speed prediction compared to other models. Specifically, the XGBoost model demonstrates the highest accuracy with an R-squared value of 0,9438 in Ayvacık, while showing similar high R-squared and low error metrics in Bozcada and Ezine. Conversely, the LSTM model achieves high accuracy with an R-squared value of 0,964 in Gökçeada, although it exhibits disadvantages in certain error metrics like MAPE. These findings suggest that LSTM generally provides high accuracy in wind speed prediction, with other models also proving suitable in specific scenarios. The study emphasizes the potential to improve prediction model accuracy through enhanced data quality and the use of different algorithms. Future research should focus on further enhancing prediction models and improving operational efficiency in the wind energy sector.
Benzer Tezler
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- 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
- 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
- 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 Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Meteorolojik verilerden yararlanarak güneş enerji santralinin çıkış gücü tahmini
Forecasting output of a solar power plant using meteorological data
ELİF YÖNT AYDIN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HEYBET KILIÇ