@article{article_1263782, title={Hibrit derin öğrenme yöntemi kullanılarak hiperparametre optimizasyonu ile yenilenebilir elektrik enerjisi tahmini}, journal={Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi}, volume={12}, pages={770–777}, year={2023}, DOI={10.28948/ngumuh.1263782}, author={Kaysal, Kübra and Yurttakal, Ahmet Haşim and Hocaoğlu, Fatih Onur}, keywords={Renewable electric energy, Deep learning, Hyperparameter optimization}, abstract={Enerji kaynaklarının düzensiz ve bilinçsiz kullanımı çevresel tahribatlara sebep olurken, artan nüfus yoğunluğu, sanayi ve teknolojinin gelişmesi de her geçen gün elektrik enerjisi talebini artırmaktadır. Bu amaçla enerji sektörü, yatırımlarını hem çevre dostu hem de arz-talep dengesini sağlamak adına rüzgâr enerjisi gibi yenilenebilir enerji kaynaklarına yöneltmektedir. Rüzgâr enerjisinden elde edilen enerji miktarı rüzgârın yönü ve hızı gibi bölgesel farklılıklara bağlı olarak değişkenlik göstermektedir. Bu çalışmada, rüzgâr enerjisinden elektrik üretimi tahmininde daha iyi sonuçlar elde etmek amacıyla rüzgâr enerjisinin doğrusal ve durağan olmayan yapısını yakalamak için derin öğrenme metotlarından CNN ve BLSTM mimarilerinin hibrit bir şekilde kullanıldığı bir yöntem önerilmektedir. Tahmin modelinde, saatlik frekansta ölçülmüş 26280 adet gerçek zamanlı veri kullanılmıştır. Ayrıca tahmin başarısını artırmak adına modelde kullanılan hiperparametre değerleri Grid Search arama algoritması kullanılarak optimize edilmiştir. Önerilen hibrit modelin başarısı BLSTM modeli ile kıyaslanmıştır. Sonuç olarak önerilen CNN-BLSTM modelinin başarım oranını gösteren R2 değeri 0.984 olarak hesaplanmıştır.}, number={3}, publisher={Nigde Omer Halisdemir University}