Geri Dön

Rüzgar enerjisi üretimi tahmininde ağaç tabanlı ardışık sığ ögrenme yöntemlerinin yeni adaptif eğitim tabanlı rekabetçi algoritma ileoptimizasyonu

Optimization of tree-based sequential shallow learning methodsfor wind power generation forecasting using a novel adaptive training-based competitive algorithm

PDF İndir

  1. Tez No: 992543
  2. Yazar: ELİF YÜCESOY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN İŞIKER, DR. ÖĞR. ÜYESİ GÖKHAN YÜKSEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, rüzgâr türbini güç tahmini için kullanılan makine öğrenmesi modellerinin doğruluk ve genelleme performansını artırmaya yönelik olarak hiperparametre optimizasyonunun etkilerini incelemektedir. Türbin SCADA verilerinden türetilen rüzgâr hızı, hava yoğunluğu, sıcaklık, bulutluluk ve radyasyon gibi meteorolojik değişkenlerin karmaşık yapısı, tahmin modellerinin yüksek doğruluk elde edebilmesi için uygun hiperparametre kombinasyonlarının belirlenmesini zorunlu hâle getirmektedir. Bu doğrultuda çalışma, çok değişkenli rüzgâr gücü tahmini problemine özel olarak tasarlanan Uyarlamalı Eğitimsel Rekabetçi Optimizasyon (Adaptive Educational Competition Optimizer, AECO) algoritmasını kullanarak makine öğrenmesi modellerini optimize etmektedir. Çalışma kapsamında Gradient Boosting, LightGBM, XGBoost, CatBoost ve AdaBoost modelleri değerlendirilmiş; her bir modelin hiperparametreleri AECO tarafından geçmiş–gelecek yönlü zaman serisi doğrulama stratejisi ile optimize edilmiştir. AECO'nun kaotik başlangıç, çok aşamalı öğrenme evreleri ve uyarlamalı katsayı güncellemeleri sayesinde hiperparametre arama sürecinde kararlı bir yönlendirme sağlanmıştır. Optimizasyon sonucunda tüm modellerde hata metriklerinde belirgin düşüşler, R² değerlerinde artış ve tahmin–ölçüm uyumunda daha sıkışık ve istikrarlı dağılımlar elde edilmiştir. Ayrıca Eğitimsel Rekabetçi Optimizasyon (Educational Competition Optimizer, ECO) ve Gelişmiş Eğitimsel Rekabetçi Optimizasyon (Enhanced Educational Competition Optimizer, EDECO) algoritmalarıyla yapılan karşılaştırmalar, AECO'nun hem doğruluk hem varyans düşüklüğü açısından daha üstün sonuçlar verdiğini göstermiştir. Elde edilen bulgular, rüzgâr enerjisi tahmininde hiperparametre optimizasyonunun önemli bir bileşen olduğunu ve AECO algoritmasının geniş arama uzaylarında dahi dengeli, güvenilir ve yüksek performanslı hiperparametre kümeleri üretebildiğini ortaya koymaktadır. Bu yönüyle çalışma, rüzgâr gücü tahmini modellerinin performansını artırmaya yönelik güçlü bir metodolojik katkı sunmakta; aynı zamanda makine öğrenmesi tabanlı enerji tahminlerinde daha kararlı, daha saydam ve uygulamaya yönelik bir model geliştirme çerçevesi sağlamaktadır.

Özet (Çeviri)

This thesis investigates the impact of hyperparameter optimization on the performance of machine learning models used for wind turbine power forecasting. The multivariate structure of SCADA-based meteorological inputs, including wind speed, air density, temperature, cloud cover and solar radiation, introduces strong nonlinearities and temporal fluctuations, making accurate prediction dependent on the selection of well-balanced hyperparameter configurations. To address this challenge, the study employs the Adaptive Educational Competition Optimizer (AECO), a recently developed optimization algorithm designed to provide stable exploration–exploitation behaviour through chaotic initialization, multi-stage learning phases and adaptive coefficient updates. Five tree-based regression models were examined: Gradient Boosting, LightGBM, XGBoost, CatBoost and AdaBoost. For each model, hyperparameters were optimized using AECO under a time-aware cross-validation strategy that respects the temporal structure of the data. AECO's hybrid deterministic–probabilistic update mechanism enabled efficient navigation of the high-dimensional search space, yielding hyperparameter sets that enhanced both accuracy and generalization. Experimental results showed notable reductions in error metrics, increases in R² values and more stable prediction–measurement alignment across all models. Comparative analyses further demonstrated that AECO consistently outperformed Educational Competition Optimizer (ECO) and Enhanced Educational Competition Optimizer (EDECO) in terms of both predictive accuracy and variance reduction. The findings confirm that hyperparameter optimization is a fundamental component of reliable wind power forecasting and that AECO provides a robust framework for discovering high-quality parameter configurations in complex, noise-affected search spaces. By improving model stability and predictive fidelity, this study contributes a strong methodological basis for data-driven wind energy forecasting and offers a replicable workflow for future research on optimization-enhanced machine learning approaches in renewable energy applications.

Benzer Tezler

  1. Tez No

    832211

    Improving wind power forecasts: Integrating adaptive histogram of oriented gradients and multiple numerical weather predictions

    Rüzgar gücü tahminlerini iyileştirme: Yönlü gradyanların uyarlanabilir histogramı ile çoklu sayısal hava tahminlerinin entegrasyonu

    İLAYDA ÇELENK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA GÖKÇE BAYDOĞAN

  2. Tez No

    850135

    Hibrit güç üretimi tahmininde makine öğrenimi algoritmalarının performans analizi

    Performance analysis of machine learning algorithms in hybrid power generation prediction

    BEGÜM UZUNOKUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiHarran Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GENCAY SARIIŞIK

  3. Tez No

    1003461

    Van Gölü Tatvan Körfezi kıyı ve göl kısımlarının enerji üretimi amaçlı rüzgar potansiyelinin belirlenmesi

    Determination of the wind potential of the coastal and lake part of lake Van Tatvan bay for energy generation

    BÜLENT KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Makine MühendisliğiBitlis Eren Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FARUK ORAL

  4. Tez No

    467293

    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

    İngilizce

    2017

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞÜKRAN SİBEL MENTEŞ

    DR. GREGOR GIEBEL

  5. Tez No

    112252

    Türkiye rüzgarlarının alan-zaman modellemesi

    Spatio-temporal modeling winds of Turkey

    AHMET DURAN ŞAHİN

    Doktora

    Türkçe

    Türkçe

    2001

    Meteorolojiİstanbul Teknik Üniversitesi

    PROF. DR. ZEKAİ ŞEN

Geri Dön