Rüzgâr enerji sistemlerinde makine öğrenmesi ile kısa, orta ve uzun vadeli elektrik enerjisi üretim tahmini
Short, medium, and long-term electricity generation forecasting with machine learning in wind energy systems
- Tez No: 920892
- Danışmanlar: DR. ÖĞR. ÜYESİ HEYBET KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları
- Bilim Dalı: Teknolojileri Ana Bilim Dalı
- Sayfa Sayısı: 84
Özet
Günümüzde enerji ihtiyacının sürekli artması, yenilenebilir enerji kaynaklarının daha verimli ve sürdürülebilir bir şekilde kullanılmasını zorunlu hale getirmiştir. Bu bağlamda, rüzgâr enerjisi, çevre dostu ve sınırsız bir kaynak olması nedeniyle büyük bir öneme sahiptir. Rüzgâr enerjisinden maksimum verim elde edebilmek için rüzgâr hızının doğru tahmini ve enerji üretim süreçlerinin optimize edilmesi kritik bir gereklilik olarak karşımıza çıkmaktadır. Bu tez çalışmasında, rüzgâr hızına dayalı enerji üretiminin tahmini için zaman serisi analizi ve yapay zekâ yöntemleri kullanılarak bir yaklaşım sunulmuştur. Çalışmanın ilk aşamasında, rüzgâr hızına ilişkin veri seti üzerinde kapsamlı analizler gerçekleştirilmiştir. Korelasyon analizi ile rüzgâr hızının diğer meteorolojik faktörlerle olan ilişkisi incelenmiş ve zaman serisi analiziyle rüzgâr hızındaki günlük, haftalık ve mevsimsel değişimler ortaya konulmuştur. Ayrıca, aykırı değer analizi ile rüzgâr hızındaki uç durumlar tespit edilerek bu durumların enerji üretimi üzerindeki etkileri değerlendirilmiştir. Bu analizler, modelleme sürecinde kullanılacak anlamlı özelliklerin belirlenmesine katkı sağlamıştır. Çalışmanın ana bölümünde, Uzun Kısa Süreli Bellek (LSTM) algoritmaları kullanılarak farklı senaryolar altında rüzgâr hızı ve enerji üretimi tahmini gerçekleştirilmiştir. Eğitim süreçlerinde farklı zaman pencereleri (örneğin, 7, 14 ve 30 günlük geçmiş veriler) ve farklı tahmin aralıkları (örneğin, 7, 14 ve 30 günlük geleceği tahmin) kullanılarak modeller geliştirilmiştir. Her bir modelin doğruluğu test edilmiş ve performans karşılaştırmaları yapılmıştır. Ayrıca, kısa ve uzun vadeli tahminlerin enerji üretimindeki uygulanabilirliği değerlendirilmiştir.Elde edilen bulgular, önerilen modelin rüzgâr hızını ve enerji üretimini yüksek doğrulukla tahmin edebildiğini göstermektedir. Çalışma, rüzgâr enerjisi sektöründe planlama ve operasyonel karar süreçlerine katkı sağlamakla birlikte, yenilenebilir enerji kaynaklarının daha etkin bir şekilde kullanılmasına yönelik önemli bir rehber niteliği taşımaktadır. Ayrıca, bu tezde sunulan yöntemlerin diğer yenilenebilir enerji kaynakları için de uygulanabilirliği, çalışmanın gelecekteki araştırmalara olan katkısını artırmaktadır.
Özet (Çeviri)
The increasing demand for energy and the necessity to utilize renewable energy sources more effectively and sustainably have made accurate forecasting of energy production a critical challenge. Wind energy, as a clean and infinite resource, plays a crucial role in meeting this demand. However, optimizing energy production processes and ensuring their sustainability require accurate predictions of wind speed and energy output.In this thesis, wind speed and energy production data were analyzed using time series analysis and machine learning approaches. The study aimed to develop models that can effectively predict energy production based on historical data, thereby contributing to sustainable energy management and efficient use of renewable energy resources. The research began with the preprocessing of energy production data and exploratory data analysis, focusing on uncovering trends, seasonal patterns, and anomalies in wind speed. In the main part of the study, wind speed and energy production forecasting were performed under different scenarios using Long Short-Term Memory (LSTM) algorithms. Models were developed during the training processes using different time windows (e.g., 7, 14, and 30 days of historical data) and different forecasting intervals (e.g., predicting 7, 14, and 30 days into the future).The models were evaluated based on their predictive performance and ability to generalize to unseen data.Findings indicate that applying advanced machine learning techniques to time series data significantly improves the accuracy of energy production forecasts. The developed models demonstrated strong potential in supporting decision-making processes for energy sector planning and operations, ensuring efficient and sustainable management of renewable energy sources.
Benzer Tezler
- Adaptive signal processing based intelligent method for fault detection and classification in microgrids
Mikroşebekelerde arıza tespiti ve sınıflandırması için adaptif sinyal işleme tabanlı akıllı yöntem
RESUL AZİZİ
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- 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
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Güç sistemlerinde yenilenebilir enerjiye dayalı rezerv optimizasyonu
Reserve optimization based on renewable energy in power systems
SERDAL ATİÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN İZGİ
DOÇ. DR. MEHMET RIDA TÜR
- 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