Long Memory at Wind Speed: a Time Series Analysis for Amasra Region

Abstract

With the widespread use of wind energy as a renewable energy source in recent years, the evaluation of the economic effects of wind speed on energy production has gained importance and the interest in accurate wind speed estimation and modeling in energy planning has increased. In study, unlike the classical approaches, the long memory feature in wind speeds was investigated. For this purpose, the long memory effect for wind speeds in Bartın province Amasra region in Turkey was investigated with ARFIMA-FIGARCH models and model performances were compared. According to the study findings; Long memory parameters were found to be statistically significant in mean and conditional variance for the wind speed series of Amasra region, and the most appropriate model was estimated as ARFIMA(0,,1)- FIGARCH(1, d, 1) model.

Keywords

• Wind Speed
• Long Memory
• ARFIMA Model
• FIGARCH Model
• FIEGARCH Model

Rüzgâr Hızlarında Uzun Hafıza: Amasra Bölgesi için Bir Zaman Serisi Analizi

Abstract

Son yıllarda rüzgâr enerjisinin yenilenebilir bir enerji kaynağı olarak yaygınlaşması ile birlikte rüzgâr hızının enerji üretimindeki ekonomik etkilerinin değerlendirilmesi de önem kazanmış ve enerji planlamalarında doğru rüzgâr hızı tahmini ve modellemesine olan ilgi artmıştır. Çalışmada klasik yaklaşımlardan farklı olarak rüzgâr hızlarındaki uzun hafıza özelliği incelenmiştir. Bu amaçla, Türkiye’ de Bartın ili Amasra bölgesi rüzgâr hızları için uzun hafıza etkisi ARFIMA-FIGARCH modelleri ile araştırılmış ve model performansları karşılaştırılmıştır. Çalışma bulgularına göre; Amasra bölgesi rüzgâr hızı serisi için ortalama ve koşullu varyansında uzun hafıza parametreleri istatistiksel anlamlı bulunmuş ve en uygun model ARFIMA(0,,1)- FIGARCH(1, d, 1) modeli olarak tahmin edilmiştir.

Keywords

• Rüzgar Hızı
• Uzun Hafıza
• ARFIMA Modeli
• FIGARCH Modeli
• FIEGARCH Modeli

References

1. Shen, Z. & Ritter, M. (2015). Forecasting volatility of wind power production. SFB 649Discussion Paper-026, 1-32.
2. Caporin, M. & Preś, J. (2012). Modelling and forecasting wind speed intensity for weatherrisk management. Computational Statistics and Data Analysis,56, 3459-3476.
3. Bouette, J.C., Chassagneux, J.F., Sibai, D., Terron R., & Charpentier, A. (2006). Wind in Ireland: long memory or seasonal effect?, Stoch Environ Res Risk Assess, 20, 141-151.
4. Liu, X. & Wang, Y. (2013). Wind speed forecasting based on ARFIMA-EGARCH model. BTAIJ, 8(4), 559-562.
5. Özen, C., Kaplan, O., Özcan, C. & Dinç, U. (2019). Short Term Wind Speed Forecast By Using Long Short Term Memory. ATMOS 2019, İstanbul, 1-7.
6. Malinda, M. & Hui, C. J. The Study of the Long Memory in Volatility of Renewable Energy Exchange-Traded Funds (ETFs). Journal of Economics, Business and Management, 4(4), 252-257.
7. Haddad, M., Nicod, J., Mainassara, Y.B., Rabehasaina, L., Masry, Z. A., & Péra, M. (2019). Wind and solar Forecasting for Renewable Energy System using SARIMA-based Model. International Conference on Time Series and Forecasting, Sep 2019, Gran Canaria, Spain, 1-15.
8. Emami, P.S. B., Rafei, M. & Shahrasbi, H. (2020). Forecasting the wind direction byusing time series models withlong-term memory(case study: Nayer region). International Journal of Energy Sector Management, 1-12.

9. Taylor, J.W., McSharry, P. E. & Buizza, R. (2008). Wind Power Density Forecasting Using Ensemble Predictions and Time Series Models. Series: ECMWF Technical Memoranda, 553, 1-17.
10. Dong, Y., Zhang, L., Liu, Z. & Wang J. (2020). Integrated Forecasting Method for Wind Energy Management: A Case Study in China. Processes, 8(35), 1-26.
11. Prabha P.P., Vanitha, V. & Resmi R. (2019). Wind Speed Forecasting using Long Short Term Memory Networks. 2nd International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT), 1310-1314.
12. Balcı, M., Yüzgeç, U. & Dokur, E. (2022). Rüzgâr Hızı Tahmini İçin Ayrıştırmaya Dayalı Hibrit Yöntemlerin Karşılaştırmalı Bir Çalışması. International Conference On Emerging Sources In Science May 26-27, 118-135.
13. Altınsoy, M. & Bal, G. (2019). Uzun Dönem Rüzgâr Hızı Tahmininde Yapay Sinir Ağlarının Kullanımı ve Performans İncelemesi. Mesleki Bilimler Dergisi (MBD), 8(1), 21-28.
14. Kurban, M. Hocaoğlu, F.O. & Mert Kantar, Y. (2007). Rüzgâr Enerjisi Potansiyelinin Tahmininde Kullanilan İki Farkli İstatistiksel DağiliminKarşılaştırmalı Analizi. Mühendislik Bilimleri Dergisi, 13(1), 103-109.
15. Çağlar, A. (2017). Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarakİncelenmesi. Cumhuriyet Sci. J., 38(4), 156-164.
16. Görgülü, S. (2019). Atatürk Havalimanı Verileri Kullanılarak Rayleigh DağılımYöntemiyle İstanbul’un Rüzgâr Karakteristiğinin Tahmini. Avrupa Bilim ve Teknoloji Dergisi. 17, 103-108.
17. Yanıktepe, B. & Kara, O. (2021). Üç Farklı İstatistiksel Dağılım Yöntemleri Kullanarak Rüzgâr Enerjisi Potansiyelinin Tahmin Edilmesi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 36(2), 359-368.
18. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
19. Bollerslev, T. (1986). Generalized Autoregressive ConditionalHeteroscedasticity. Journal of Econometrics, 31 (3), 307-327.
20. Nelson, D.B. (1991). Conditional Heteroskedasticity in Asset Returns: A NewApproach. Econometrica (59), 347-370.
21. Granger, C.W.J. & Joyeux, R. (1980). AnIntroduction to Long-Memory Time Series Models and Fractional Differencing.Journal of Time Series Analysis, (1), 15-39.
22. Hosking, J. R. M. (1981). Fractional Differencing. Biometrica, 68 (1), 165-176.
23. Baillie, R. T., Bollerslev, T. & Mikkelson, H. O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74 (1), 3-30.
24. Bollerslev, T. & Mikkelsen, H.O. (1996). Modeling and Pricing Long-Memory in Stock Market Volatility. Journal of Econometrics, 73(1), 151-184.
25. Türkyılmaz, S. & Balıbey, M. (2014). Türkiye Hisse Senedi Piyasasi Getiri ve Oynaklığındaki Uzun Dönem Bağımlılık için Ampirik Bir Analiz. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 16(2), 281-302.