Predicting electricity production in a wind farm using artificial neural networks
Yapay sinir ağları kullanarak bir rüzgar enerji santralinden elektrik üretimi tahmini
- Tez No: 894528
- Danışmanlar: DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
- Sayfa Sayısı: 59
Özet
Rüzgar, tahmini en zor meteorolojik parametrelerden birisi olmasına karşın günümüzde yenilenebilir enerji alanında en önemli kaynaklardan birisidir. Bu sebeple rüzgardan elde edilecek enerjinin tahmini konusundaki hassasiyet devam etmektedir. Yapay sinir ağları da enerji üretimini tahmin etme amacıyla sıklıkla kullanılan metotların başında gelmektedir. Bu tez çalışmasında, Çanakkale'de bir rüzgâr santraline ait türbinden kaydedilmiş 2015 yılına ait on dakikalık ortalama rüzgar hızı (m/s) ve ortalama güç (kW) verileri kullanılarak yapay sinir ağlarının yardımıyla elektrik üretim tahmini yapılması amaçlanmıştır. Bu amaçla dört farklı model kurulmuştur. Model kurma ve çalıştırma aşamasında MATLAB programlama dilinden faydalanılmıştır. Veri setinde bulunan 52108 verinin %70'i (36476) eğitim, %15'i (7816) test, kalan %15'i (7816) de validasyonda kullanılacak ve bütün modellerde aynı olacak şekilde kullanılmıştır. Gecikme değeri (lag) olarak 10 alınmış olup, verilerin 10 dakikalık olmasından ötürü elde edilen tahminler 100 dakika ötesi için yapılmıştır. Kurulan ilk modelde, sisteme girdi katmanında t anındaki rüzgar hızları ve çıktı katmanında t anındaki güç üretimleri verilmiştir. Kıyaslama yapılabilmesi ve iyileşme olup olmadığını kontrol edebilmek amacıyla gizli katmandaki nöron sayısı artırılacak şekilde model çalıştırılmıştır. İlk iki denemede 5, üçüncü denemede 10, dördüncü denemede 15 nöron olacak şekilde; 5 nöronlu denemelerde 2 defa, 10 ve 15 nöronlu denemelerde üç defa çalıştırılarak model eğitilmiştir. Kullanılan aktivasyon fonksiyonları her deneme için sırasıyla; logsig-tansig, tansig-tansig, logsig-tansig ve logsig-tansig olarak belirlenmiştir. Sırasıyla 𝑅2 değerleri 0.978577, 0.978491, 0.978658, 0.978647 olarak gözlemlenmiştir. Son iki denemede aynı aktivasyon fonksiyonları kullanılırken nöron sayısı üçüncü denemede 10, dördüncü denemede 15 olarak düzenlenmiştir. Bu iki deneme arasındaki hata değerleri incelenecek olursa, aralarındaki fark oldukça az olmakla birlikte, son modelde nöron sayısı artırılırken 𝑅2değerinin azalması hatanın arttığını göstermektedir. Bundan dolayı üçüncü denemenin en iyi sonucu verdiği kabul edilebilir. İkinci modelde, sisteme girdi olarak t ve t-1 anındaki rüzgar hızları verilirken, çıktı olarak yine t anındaki güç üretim değerleri kullanılmıştır. Girdi katmanında iki farklı girdi olması sebebiyle gizli katmandaki nöron sayısı ve modeli eğitme sayısında artışa gidilmiştir. İlk denemede 15, ikincisinde 20, üçüncü ve dördüncü denemelerde ise 25 olacak ve sistem beş defa çalıştırılacak şekilde model eğitilmiştir. Aktivasyon fonksiyonları sırasıyla logsig-tansig, logsig-tansig, logsig-tansig ve logsig-logsig olarak belirlenmiştir. 𝑅2 değerleri sırasıyla 0.967898, 0.968066, 0.968068, 0.642207 olarak elde edilmiştir. Modelin 25 nöronla çalışan denemelerinde ortaya çıkan hata parametresi farkının çıktı katmanında tansig yerine logsig aktivasyon fonksiyonu kullanıldığında oluştuğu kararına varılmıştır. Üçüncü modelde, girdi katmanında t anındaki rüzgar hızları ve t-1 anındaki güç üretimi verileri kullanılırken çıktı katmanında t anındaki güç üretimleri sisteme verilmiştir. Gizli katmandaki nöron sayısı 25'e kadar çıkacak şekilde ilk ve ikinci denemelerde 15, üçüncüsünde 20 ve dördüncüsünde 25 olacak şekilde sistem beş defa çalıştırılarak model eğitilmiştir. Aktivasyon fonksiyonları sırasıyla logsig-logsig, logsig-tansig, logsig-tansig olarak belirlenmiştir. 𝑅2 değerleri sırasıyla 0.996571, 0.996633, 0.996716 olarak sonuçlanmıştır. Hata değerleri arasındaki fark oldukça küçük olmakla birlikte, nöron sayısını artırdıkça değerlerde iyileşme olması, modelin eğitiminde başarılı bir sonuç elde edildiği anlamına gelmektedir. Dördüncü modelde ise girdi katmanına t-1 ve t-2 anındaki güç üretim değerleri verilirken, çıktı katmanında t anındaki güç üretim değerleri kullanılmıştır. Gizli katmandaki nöron sayısı 25'e kadar çıkacak şekilde ilk denemede 15, ikincisinde 20 ve üçüncüsünde 25 olacak şekilde sistem beş defa çalıştırılarak model eğitilmiştir. Aktivasyon fonksiyonları sırasıyla logsig-tansig, logsig-logsig, logsig-tansig olarak belirlenmiştir. 𝑅2 değerleri sırasıyla 0.984357, 0.652384, 0.984398 olarak elde edilmiştir. İkinci denemede gözlemlenen düşüş, çıktı verilerini eğitmek için kullanılan aktivasyon fonksiyonunda logsig'in tercih edilmiş olmasıdır. Gizli nöron sayısı artırılıp çıktı katmanı için kullanılan fonksiyon tansig olarak değiştirilince hesaplanan hata değeri ile sistemin eğitildiği sonucuna varılabilir. Çalışmada, bir rüzgar türbininden üretilecek elektriğin tahmininin yapılabilmesi için kullanılabilecek girdi verileri olarak farklı meteorolojik parametrelerin kullanılması da düşünülmüştür. Fakat sıcaklık, bağıl nem gibi parametrelerin türbin üretimindeki değerlere etkisinin olumlu ve alakalı olmadığı incelenmiştir. Bunun üzerine, model ağında değişikliğe gidilerek tahmin elde edilmesi amaçlanmıştır. En temel adımda, aynı zamandaki rüzgar hızları kullanılırken, sonrasında önceki zaman adımına ait rüzgar hızı verileri de kullanılmıştır. Aynı şekilde bir önceki zaman adımlarına ait güç verilerinin de, bir sonraki zaman adımına ait güç üretimini tahmin etmek üzerine olan etkisi incelenmiştir. Aktivasyon fonksiyonlarının veri tipine göre önemine dikkat çekilmiş olup, girdi katmanından gizli katmana ve gizli katmandan çıktı katmanına geçerken kullanılan fonksiyonlarda sigmoid ve hiperbolik tanjant sigmoid fonksiyonları kullanılmıştır. Bunun dışında gizli katmandaki nöron sayısını değiştirmenin de sistemin eğitiminde etkisi olan bir faktör olduğu incelenmiştir. Fazla nöron ve gizli katman kullanılması halinde ağın eğitim verileri için çok özelleşeceğinden ve yeni, görünmeyen veriler üzerinde kötü performans göstermesine sebep olacağından sınır sayıyı bulmak önem arz etmektedir. Bu çalışmada modelin kaç kez çalışarak eğitileceği de girdi sayısına bağlı olarak 2 ila 5 arasında değiştirilmiştir.
Özet (Çeviri)
In this thesis, it is aimed to make an estimation of electricity generation with the help of artificial neural networks using the ten-minute average wind speed (m/s) and average power (kW) data of 2015 recorded from a turbine belonging to a wind farm in Çanakkale. For this purpose, four different models were established. The MATLAB programming language was used during model building and operation. Of the 52108 data in the data set, 70% (36476) was used for training, 15% (7816) for testing, and the remaining 15% (7816) to be used in validation and used the same in all models. The lag value was taken as 10, and since the data was 10 minutes, the estimations were made for 100 minutes beyond. In the first model, wind speeds at time t in the input layer and power generation at time t in the output layer are given. The model was run by increasing the number of neurons in the hidden layer in order to make comparisons and check whether there is improvement. 5 neurons in the first two trials, 10 neurons in the third trial, and 15 neurons in the fourth trial; the model was trained by running it twice in trials with 5 neurons and three times in trials with 10 and 15 neurons. The activation functions used for each trial, respectively; logsig-tansig, tansig-tansig, logsig-tansig and logsig-tansig. 𝑅2 values were observed as 0.978577, 0.978491, 0.978658, 0.978647, respectively. It was concluded that number of neurons is an important parameter where if too much neurons are used for training, the error results will increase. In the second model, the wind speeds at time t and t-1 are given as input to the system, while power generation values at time t are used as output. Since there are two different inputs in the input layer, the number of neurons in the hidden layer and the number of training the model have been increased. The model was trained so that it was 15 in the first trial, 20 in the second, and 25 in the third and fourth trials, and the system was run five times. Activation functions were determined as logsig-tansig, logsig-tansig, logsig-tansig and logsig-logsig, respectively. 𝑅2 values were obtained as 0.967898, 0.968066, 0.968068, 0.642207, respectively. It was concluded that the error parameter difference in the experiments of the model working with 25 neurons occurs when the logsig activation function is used instead of tansig in the output layer. In the third model, wind speeds at time t and power generation data at time t-1 are used in the input layer, while power generation at time t is given to the system in the output layer. The model was trained by running the system five times, with the number of neurons in the hidden layer increasing to 25; 15 in the first and second trials, 20 in the xxii third. Activation functions are determined as logsig-logsig, logsig-tansig, logsig-tansig, respectively. The 𝑅2 values are 0.996571, 0.996633, 0.996716, respectively. In the fourth model, power generation values at time t-1 and t-2 are given to the input layer, while power generation values at time t are used in the output layer. The model was trained by running the system five times, with the number of neurons in the hidden layer increasing to 25; 15 in the first trial, 20 in the second, and 25 in the third. Activation functions were determined as logsig-tansig, logsig-logsig, logsig-tansig, respectively. 𝑅2 values were obtained as 0.984357, 0.652384, 0.984398, respectively. In the study, it is also considered to use different meteorological parameters as input data that can be used to predict the electricity to be produced from a wind turbine. However, it has been investigated that the effects of parameters such as temperature and relative humidity on the values in turbine production are neither positive nor relevant. On top of that, it is aimed to obtain predictions by changing the model network. In the most basic step, the wind speeds at the same time were used, and then the wind speed data of the previous time step were also used. Likewise, the effect of the power data of the previous time steps on estimating the power generation of the next time step was examined. The importance of the activation functions according to the data type has been pointed out, and logistic sigmoid and hyperbolic tangent functions are used in the functions used in the transition from the input layer to the hidden layer and from the hidden layer to the output layer. In addition, it has been investigated that changing the number of neurons in the hidden layer is a factor that has an effect on the training of the system. It is important to find the limit number as it will cause it to happen if too many neurons are used. The number of times the system would run and train varied between 2 and 5 depending on the number of inputs. However, adding too many hidden layers and neurons can also lead to overfitting, where the network becomes too specialized to the training data and performs poorly on new, unseen data.
Benzer Tezler
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Doğrusal ve doğrusal olmayan metotlarla bir adım ileri rüzgar şiddeti öngörüsü
One step ahead wind speed prediction with linear and nonlinear methods
İREM DAMLA NACAR
Yüksek Lisans
Türkçe
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği
Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye
MAYSA GAIDOUM AHMED GAIDOUM
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Rüzgar türbin güçlerinin makine öğrenmesi modelleriyle tahmin edilmesi ve santraldaki konumlarının etkisi
Prediction of wind turbine power by machine learning models and the effect of their locations in the wind farm
BUĞRA KAPLAN
Yüksek Lisans
Türkçe
2023
Enerjiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. NURDİL ESKİN
- Short-term wind energy prediction system by using mesoscale/microscale modelling with model output statistics on various terrain types
Model çıktılarının istatistiği ile orta ölçek/mikro ölçek modelleri kullanılarak çeşitli arazi tipleri için kısa dönem rüzgar enerjisi tahmin sistemi
DERYA ERGÜN
Yüksek Lisans
İngilizce
2017
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
DR. GREGOR GIEBEL