Kısa dönem rüzgâr hızı için derin öğrenme ve özellik çıkarımına dayalı tahmin yönteminin geliştirilmesi
Development of a deep learning and feature extraction - based forecasti̇ng method for short - term wind speed
- Tez No: 986784
- Danışmanlar: DOÇ. DR. DENİZ KORKMAZ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Energy, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Malatya Turgut Özal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, kısa dönem rüzgâr hızı tahmini için sinyal ayrıştırma ve derin öğrenme tabanlı bir yöntem geliştirilmiştir. Geliştirilen ağın girişinde yalnızca rüzgâr hızı kullanılmış ve rüzgâr hızı verisi, önerilen modele uygulanmadan önce Varyasyonel Mod Ayrıştırması (VMA) yöntemi ile alt bileşenlerine ayrılmıştır. Elde edilen içsel mod fonksiyonu bileşenleri matrise dönüştürülerek önerilen modele giriş olarak verilmiş ve tahmin süreci Evrişimli Sinir Ağı (ESA) ile Çift Yönlü Uzun Kısa Süreli Bellek (Çift Yönlü UKSB) katmanlarından oluşan hibrit bir mimari ile gerçekleştirilmiştir. ESA katmanları ayrıştırılmış sinyalden yapısal özellikleri çıkarırken, Çift Yönlü UKSB katmanları zamansal bağımlılıkları iki yönlü olarak modelleyerek tahmin doğruluğunu artırmıştır. Önerilen model, 2019 yılına ait saatlik rüzgâr hızı verileri kullanılarak test edilmiş ve ESA - UKSB (Uzun Kısa Süreli Bellek) ve ESA - KTÜ (Kapılı Tekrarlayan Ünite) modelleriyle tüm tahmin ufuklarında karşılaştırılmıştır. Önerilen modelin performansı; Kök Ortalama Kare Hata (RMSE), Ortalama Mutlak Hata (MAE), Korelasyon Katsayısı (R) ve Simetrik Ortalama Mutlak Yüzde Hata (SMAPE) metrikleri ile değerlendirilmiştir. Önerilen ESA - Çift Yönlü UKSB modeli, 1 saat ileriye dönük tahminde R değeri 0.9680, RMSE değeri 0.8417, MAE değeri 0.6263 ve SMAPE değeri 0.1280; 2 saat ileriye dönük tahminde R değeri 0.9418, RMSE değeri 1.1479, MAE değeri 0.8654 ve SMAPE değeri 0.1730; 3 saat ileriye dönük tahminde ise R değeri 0.9165, RMSE değeri 1.3294, MAE değeri 1.0098 ve SMAPE değeri 0.1997 elde etmiştir. Bu sonuçlar önerilen modelin kısa vadeli tahminde yüksek doğruluk sergilediğini göstermektedir. Ayrıca önerilen model, ESA - UKSB ve ESA - KTÜ mimarileriyle karşılaştırılmış ve tüm tahmin ufuklarında daha düşük hata ve daha yüksek doğruluk elde ederek en başarılı yöntem olarak belirlenmiştir. Elde edilen sonuçlar, önerilen yöntemin rekabetçi bir performans sergilediğini ve akıllı şebeke operasyonlarında etkin bir şekilde kullanılabileceğini göstermektedir.
Özet (Çeviri)
In this thesis, a signal decomposition and deep learning based method has been developed for short term wind speed forecasting. Only wind speed was used at the input of the developed network, and the wind speed data were decomposed into their sub-components using the Variational Mode Decomposition (VMA) method before being applied to the proposed model. The obtained intrinsic mode function components were converted into a matrix and given as input to the proposed model, and the forecasting process was carried out with a hybrid architecture consisting of Convolutional Neural Network (CNN) and Bidirectional Long Short Term Memory (Bidirectional LSTM) layers. While the CNN layers extracted structural features from the decomposed signal, the Bidirectional LSTM layers modeled temporal dependencies bidirectionally, increasing forecasting accuracy. The proposed model was tested using hourly wind speed data from 2019 and compared with the CNN - LSTM (Long Short Term Memory) and CNN - GRU (Gated Recurrent Unit) models across all forecasting horizons. The performance of the proposed model was evaluated using Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Correlation Coefficient (R), and Symmetric Mean Absolute Percentage Error (SMAPE) metrics. The proposed CNN - Bidirectional LSTM model achieved an R value of 0.9680, an RMSE value of 0.8417, an MAE value of 0.6263, and a SMAPE value of 0.1280 for the 1 hour-ahead forecast; an R value of 0.9418, an RMSE value of 1.1479, an MAE value of 0.8654, and a SMAPE value of 0.1730 for the 2 hour ahead forecast; and an R value of 0.9165, an RMSE value of 1.3294, an MAE value of 1.0098, and a SMAPE value of 0.1997 for the 3 hour ahead forecast. These results show that the proposed model demonstrates high accuracy in short term forecasting. In addition, the proposed model was compared with the CNN - LSTM and CNN - GRU architectures and achieved lower error and higher accuracy in all forecasting horizons, being identified as the most successful method. The obtained results show that the proposed model exhibits competitive performance and can be effectively used in smart grid operations.
Benzer Tezler
- 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
- 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
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Derin öğrenme yöntemi ile Bingöl ilinin rüzgar hızı tahmini
Wind speed estimation of Bingöl province using deep learning method
KADER OZAN
Yüksek Lisans
Türkçe
2024
EnerjiBingöl ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DURSUN ÖZTÜRK
- Hava kalitesi tahminlemesi için bir yöntem gerçekleştirilmesi
A methodological framework for air quality forecasting
DERYA AKBAYIR
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN MURAT ESİN
- Flight control law design for fighter aircraftsexploiting nonlinear control techniques
Doğrusal olmayan kontrol teknikleri kullanılaraksavaş uçakları için uçuş kontrol yasası tasarımı
BORA AKARYILDIZ
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. YAPRAK YALÇIN