Geri Dön

Makine öğrenme ve derin öğrenme ile rüzgâr hızının tahmini

Prediction of wind speed using machine learning and deep learning

  1. Tez No: 883479
  2. Yazar: ADEM DEMİRTOP
  3. Danışmanlar: PROF. DR. EMRE ÇOMAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 108

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

  1. 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

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  2. Short-term forecasting of wind power production using machine learning and deep learning methods

    Makine öğrenmesi ve derin öğrenme yöntemiyle kısa dönem rüzgar gücü üretim tahmini

    FEYRUZ AKSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER USTA

  3. Hizmet sektöründe derin öğrenme ve makine öğrenmesi teknikleriyle akıllı tedarik sistemi tasarımı

    Intelligent supply system design with deep learning and machine learning techniques in the service industry

    ZÜMRÜT YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiAtatürk Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURAK ERKAYMAN

  4. Sensor-based activity recognition and authentication using deep learning

    Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma

    NİLAY TÜFEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  5. 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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ