Diferansiyel Gelişim Algoritma Tabanlı Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi ile Kısa Dönem Rüzgar Hızı Kestirimi

Year 2019, , 1057 - 1068, 30.09.2019

Emrah Dokur , Uğur Yüzgeç , Mehmet Kurban

https://doi.org/10.17798/bitlisfen.534246

Cited By: 1

Abstract

Üretim
planlaması ve güç sistemlerinin yönetilmesi açısından rüzgar enerji
sistemlerinden üretilecek elektrik enerjisinin belirli periyotlar için tahmin
edilmesi gerekmektedir. Bu kapsamda, 
asimetrik ve kararsız yapıdaki rüzgar hızı verilerinin hassas bir
şekilde tahmin edilebilmesi için bir çok farklı rüzgar hızı kestirim
yaklaşımları önerilmiştir. Bu çalışma kapsamında, diferansiyel gelişim
algoritması (DE) yaklaşımı ile optimize edilen uyarlamalı sinirsel bulanık
çıkarım sistemi (ANFIS) kullanılarak kısa dönemli (1 saat) rüzgar hızı tahmin
modelleri geliştirilmiştir. Çalışma kapsamında ele alınan yöntemde,  diferansiyel gelişim sezgisel yaklaşımı
kullanarak model parametreleri kısa dönemli rüzgar hızı tahmini için
belirlenmiş ve karşılaştırmalı olarak analiz edilmiştir. Önerilen yaklaşımın
tahmindeki performans kriterlerini doğrulamak için Bilecik ilinde bulunan bir
gözlem istasyonundaki rüzgar hızı serileri kullanılmıştır. ANFIS model
parametrelerinin optimizasyonunda kullanılan sezgisel algoritma 10 kez tekrarlı
bağımsız olarak çalıştırılmış ve eğitim-test performans sonuçları istatistiksel
olarak sunulmuştur.  Ayrıca önerilen
hibrit modelin performansı literatürde iyi bilinen Levenberg-Marquardt
algoritması eğitilen ileri beslemeli yapay sinir ağı (ANN) sonuçları ile de
karşılaştırılarak yorumlanmıştır.

Keywords

Diferansiyel Gelişim Algoritması, ANFIS, Rüzgar Hızı Kestirimi, ANN

Short-Term Wind Speed Forecasting Using Adaptive Neuro-Fuzzy Inference System Based on Differential Evolution Algorithm

Abstract

The
electrical energy to be produced from wind energy systems should be estimated
for some periods in order to generation planning and power systems management.
In this context, many different wind speed forecasting approaches have been
proposed for accurate estimation of asymmetric and unstable wind speed data. In
this paper, short-term (1h) wind speed forecasting models have been developed
by using Adaptive Neuro Fuzzy Inference System (ANFIS) based on Differential
Evolution Algorithm (DE). In this paper, the model parameters have been
determined by differential evolution heuristic approach for short-term wind
speed forecasting and analyzed comparatively. To validate the effectiveness of
the proposed approach, wind speed series collected from a wind observation
station located in Bilecik, Turkey are used in the short-term wind speed
forecasting. The meta-heuristic algorithm used in the
optimization of ANFIS model parameters are run 10 times independently and the
performance results are calculated statistically for training and test phases
of ANFIS model. The performances of proposed hybrid models are also compared
with the well-known feed forward ANN model which is trained by Levenberg-Marquardt
in the literature.

Keywords

Differential Evolution Algorithm, ANFIS, Wind Speed Forecasting, ANN

References

• [1] Dinçer F., Rüstemli, S., Yılmaz, Ş., Çıngı, A. 2017. Kilis İli İçin Farklı Yüksekliklerdeki Rüzgâr Potansiyelinin Belirlenmesi, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6(1): 12-20.
• [2] GWEC. 2017. Global Wind Report Annual Market Update, Global Wind Energy Council.
• [3] Turkish Wind Energy Association, Turkish Wind Energy Statistics Report, 2018.
• [4] Redlinger R., Andersen P., Morthorst P. 2016.Wind Energy in the 21st Century: Economics, Policy, Technology and the Changing Electricity Industry, Springer.
• [5] Deo, R. C., Ghorbani, M. A., Samadianfard, S., Maraseni, T., Bilgili, M., Biazar, M. 2018. Multi-layer perceptron hybrid model integrated with the firefly optimizer algorithm for wind speed prediction of target site using a limited set of neighboring reference station data, Renewable Energy 116 (2018): 309-323.
• [6] Su Z., Wang J., Lu H., Zhao G. 2014. A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting. Energy Conversion and Management, 85(2014): 443-452.
• [7] Liu, H., Chen, C., Tian, H. Q., Li, Y. F. 2012. A hybrid model for wind speed prediction using empirical mode decomposition and artificial neural networks, Renewable Energy, 48 (2012): 545-556.
• [8] Liu H., Tian H.Q., Pan D.F., Li Y.F. 2013. Forecasting models for wind speed using wavelet, wavelet packet, time series and Artificial Neural Networks, Applied Energy 107 (2013): 191-208.
• [9] Guo Z., Chi D., Wu J., Zhang W. 2014. A new wind speed forecasting strategy based on the chaotic time series modelling technique and the Apriori algorithm. Energy Conversion and Management 84 (2014): 140-151.
• [10] Zhang C., Wei H., Zhao X., Liu T., Zhang K. 2016. A Gaussian process regression based hybrid approach for short-term wind speed prediction, Energy Conversion and Management 126 (2016): 1084-1092.
• [11] Hu J., Wang J., Ma K. 2015. A hybrid technique for short-term wind speed prediction, Energy 81 (2015): 563-574.
• [12] Hu J., Wang J., Zeng G. 2013. A hybrid forecasting approach applied to wind speed time series. Renewable Energy 60 (2013): 185-194.
• [13] Rahmani R., Yusof R., Seyedmahmoudian M., Mekhilef S. 2013. Hybrid technique of ant colony and particle swarm optimization for short-term wind energy forecasting, Journal of Wind Engineering and Industrial Aerodynamics 123 (2013): 163-170.
• [14] Kassa Y., Zhang J.H., Zheng D.H., Wei D. 2016. A GA-BP hybrid algorithm based ANN model for wind power prediction, Smart Energy Grid Engineering (SEGE) IEEE, 2016.
• [15] Pousinho H. M. I., Catalao J. P. S., Mendes V. M. F. 2010. Wind power short-term prediction by a hybrid PSO-ANFIS approach, MELECON 2010,15th IEEE Mediterranean Electrotechnical Conference. IEEE, 2010.
• [16] Cadenas E., Rivera W. 2009. Short-term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks, Renewable Energy 34.1 (2009): 274-278.
• [17] Catalão J.P.S., Pousinho H. M. I., Mendes V. M. F. 2009. An artificial neural network approach for short-term wind power forecasting in Portugal, Intelligent System Applications to Power Systems, ISAP'09. 15th International Conference on. IEEE, 2009.
• [18] Moustris K. P., Zafirakis D., Alamo D. H., Medina R. N., Kaldellis J. K. 2017. 24-h ahead wind speed prediction for the optimum operation of hybrid power stations with the use of artificial neural networks, Perspectives on Atmospheric Sciences, Springer, Cham, 409-414, 2017.
• [19] Akinci T.C. 2011. Short-term wind speed forecasting with ANN in Batman, Turkey, Elektronika ir Elektrotechnika 107.1 (2011): 41-45.
• [20] Nogay S.H., Akinci T. C., Eidukeviciute M. 2012. Application of artificial neural networks for short-term wind speed forecasting in Mardin, Turkey, Journal of Energy in Southern Africa 23.4 (2012): 2-7.
• [21] Bilgili M., Sahin B., Yasar A.2007. Application of artificial neural networks for the wind speed prediction of target station using reference stations data, Renewable Energy 32.14 (2007): 2350-2360.
• [22] Dokur E., Kurban M., Ceyhan S. 2015. Hybrid model for short-term wind speed forecasting using empirical mode decomposition and artificial neural network, Electrical and Electronics Engineering (ELECO), 2015 9th International Conference on. IEEE, 2015.
• [23] Liu H., Tian H., Li Y. 2015. Comparison of new hybrid FEEMD-MLP, FEEMD-ANFIS, Wavelet Packet-MLP and Wavelet Packet-ANFIS for wind speed predictions, Energy Conversion and Management 89 (2015): 1-11.
• [24] Wang, J., Li, L., Niu, D., & Tan, Z. 2012. An annual load forecasting model based on support vector regression with differential evolution algorithm, Applied Energy, 94, 65-70.
• [25]. Avcı E., Akpolat Z. H. 2002. Uyarlamalı ağ tabanlı bulanık çıkarım sistemi ile doğru akım motorlarının hız denetimi, pp. 193-196. ELECO’2002 ElektrikElektronik-Bilgisayar Mühendisliği Sempozyumu, Aralık, 2002, Bursa.
• [26]. Özgan E., Kap T., Beycioğlu A., Emiroğlu M. 2009. Asfalt betonunda Marshall stabilitesinin uyarlamalı sinirsel bulanık mantık yaklaşımı ile tahmini, Uluslararası İleri Teknolojiler Sempozyumu, Karabük.
• [27] Güney K., Sarıkaya, N., 2008. Dairesel mikroşerit antenlerin yama yarıçapının çeşitli algoritmalarla optimize edilen bulanık mantık sistemine dayalı uyarlanır ağlar ile hesaplanması. ELECO’2008 Elektrik-Elektronik-Bilgisayar Mühendisliği Sempozyumu ve Fuarı, 26-30 Kasım, 2008, Bursa.
• [28] Haznedar B., Kalinli A. 2016. Training ANFIS using genetic algorithm for dynamic systems identification, pp. 22-26. International Conference on Advanced Technology & Sciences (ICAT’16), 1-3 Eylül, 2016, Konya, Turkey.
• [29] Haznedar B. 2017. Benzetilmiş Tavlama Algoritması İle Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sisteminin (Anfıs) Eğitilmesi, Erciyes Üniversitesi, Fen Bilimleri Ensitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Doktora Tezi, 174s, Kayseri.
• [30]. Storn. R. 1997. Differential Evolution-A Simple and Efficient Heuristic Strategy for Global Optimization Over Continuous Spaces. Journal of Global Optimization, 11: 341-359.
• [31]Yılmaz A. R. 2014. FPGA Üzerinde Diferansiyel Gelişim Algoritması İle Yapay Sinir Ağı Eğitimi. YTÜ, Fen Bilimleri Enstitüsü, Elektronik ve Haberleşme Anabilim Dalı,Yüksek Lisans Tezi, 77s, İstanbul.