Univariate time series methodology for wind energy based on hybrid deep learning models
Rüzgar enerjisi için hibrit derin öğrenme modellerine dayalı tek değişkenli zaman serisi metodolojisi
- Tez No: 894411
- Danışmanlar: DOÇ. DR. KAMİL DEMİRBERK ÜNLÜ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Enerji, Industrial and Industrial Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Rüzgar enerjisi günümüzde en çok tercih edilen yenilenebilir enerji alternatifi olarak kabul edilmekte ve küresel bir ilgi toplamaktadır. Ayrıca, rüzgar enerjisinin etkin kullanımı küresel ölçekte çevresel kaynakların korunmasına büyük ölçüde katkıda bulunmaktadır. Rüzgar enerjisinin değişkenliği göz önünde bulundurulduğunda, yenilenebilir enerji kaynaklarının verimli bir şekilde kullanılması için güvenilir bir tahmin geliştirmek çok önemlidir. Literatürde rüzgar enerjisinin doğru tahmini için birden fazla model geliştirilmiştir. Bu çalışmada bu sorunu gidermek için zaman serisi verilerine dayalı istatistiksel modeller kullanılmıştır. Bu çalışma, Diziden Diziye ve Evrişimli Sinir Ağı yaklaşımlarına dayalı tek değişkenli hibrit modeller geliştirerek Karaburun, İzmir, Türkiye'deki rüzgar santralleri tarafından üretilen rüzgar enerjisini tahmin etmeyi amaçlamaktadır. Çalışmanın tahmin aralığı kısa vadeden uzun vadeye kadar uzanmaktadır. En doğru tahmini belirlemek adına gerçek veriler kullanılarak çok sayıda hibrit model geliştirilmiştir. Karşılaştırma sonuçları, Evrişimli Sinir Ağı'nı Uzun Kısa Süreli Bellek hücresiyle istiflenmiş Diziden Diziye ile birleştiren hibrit modelin hem kısa hem de uzun vadede en doğru tahminleri sağladığını ortaya koymaktadır. Geliştirilen hibrit model, kısa vadeli tahminler için önemli bir değişim katsayısı ortaya koyar. Uzun vadeli tahminlerde, kısa vadeli tahminlere göre değişim katsayısında bir azalma olsa da ortalama hataların karesi, ortalama mutlak hata ve ortalama mutlak yüzde hata gibi belirleme metrikleri, modelin uzun vadeli tahminlerde doğruluğunu koruduğunu göstermektedir.
Özet (Çeviri)
Wind power is presently considered the most favorable renewable energy alternative, gathering global concern. It contributes to the preservation of environmental resources on a global scale. Reliable wind energy forecasting is crucial for efficiently employing renewable energy sources, given their fluctuating patterns. In this study, statistical models based on time series data have been widely used to address this concern. This study aims to forecast the wind energy generated by the wind farms in Karaburun, Izmir, Turkey by developing univariate hybrid models based on Sequence-to-Sequence and Convolutional Neural Network approaches. The study's forecasting range spans from short-term to long-term periods. Numerous hybrid models were developed and trained using the data to identify the most accurate forecast. Benchmarking results reveal that the hybrid model combining convolution neural network with sequence-to-sequence stacked with Long-Short Term Memory cells yields the most accurate forecasts for both short and long terms. Based on actual data, the hybrid model provides a significant for short-term forecasts. In long-range forecasts, even though there is a decrease in the coefficient of variation compared to short-range forecasts, determination metrics such as mean squared error, mean absolute error, and mean absolute percentage error indicate that the model maintains accuracy in the long-term forecasts.
Benzer Tezler
- Derin öğrenme kullanılarak Bilecik ili rüzgar hızı tahmini
Wind speed forecast in Bilecik province using deep learning
BERKAY ÖZKAY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİM CEYHAN
- Satış ve talep tahmini için derin transfer öğrenme metodolojisinin geliştirilmesi
Development of deep transfer learning methodology for sales and demand forecasting
BEGÜM EROL
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA
- Time series classification via topological data analysis
Topolojik veri analizi ile zaman serilerinin sınıflandırılması
ALPEREN KARAN
Doktora
İngilizce
2022
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Farklı zaman serisi analizleri ile hargeisa-somaliland su tüketim öngörülerinin karşılaştırılması
Comparison of hargeisa-somaliland water consumption forecasts with different time seri̇es analysis
ABDISHAKUR ISMEAL ADAM
Yüksek Lisans
Türkçe
2021
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. VEDİDE REZAN USLU
- Çok değişkenli uyarlamalı regresyon eğrileri ve konik programlama ile zaman serilerinin modellenmesi
Time series modelling using multivariate adaptive regression splines and conic quadratic programming
SEÇİL TOPRAK