Research Article
BibTex RIS Cite

Uzun Kısa Süreli Hafıza ve Evrişimsel Sinir Ağları ile Rüzgar Enerjisi Üretim Tahmini

Year 2020, Volume: 11 Issue: 1, 69 - 80, 27.03.2020
https://doi.org/10.24012/dumf.596533

Abstract

Rüzgâr türbinleri rüzgârın hızı yardımıyla elektrik enerjisi elde etmeyi sağlamaktadır. Rüzgârın yön ve hızı, coğrafi farklılıklar ve homojen olmayan ısınmaya bağlı zamansal farklılıklar gösterir. Rüzgâr hızı yükseklik arttıkça artar, rüzgâr gücü hıza bağlı olarak yükselir. Rüzgâr türbinleri kullanılarak rüzgâr enerjisi kaynaklı elektrik üretim uygulamaları ilk yatırım maliyetlerinin yüksek olmasıyla beraber gün geçtikçe artmaktadır. Bu çalışmada amaç geliştirilen makine öğrenmesine dayalı bir sistem yardımıyla elektrik enerjisi üretim tahmini yapılarak kullanılan rüzgâr gücünün değişkenliği gibi dezavantajların üstesinden gelmektir. Ayrıca dengesiz maliyetleri azaltma ve üretim tahmininde yapılacak iyileştirme ile santralin kâr maksimizasyonunu sağlama hedeflenmektedir. Çalışmamızda Evrişimsel Sinir Ağları (ESA) ve Uzun Kısa Süreli Hafıza (UKSH) metotlarının hibrit olarak önerildiği ve ESA-UKSH olarak adlandırılan yöntem kullanılmıştır. Kullanılan veri seti İzmir Urla bölgesine ait rüzgâr türbininden alınan gerçek verilerdir. Bu veri seti bir yıla ait günlük ve hatta onar dakikalık çözünürlükte rüzgâr hızı verilerinden oluşmaktadır. Yapılan eğitim ve testlerde bir yıl gibi uzun zaman dilimine ait veriler kullanıldığı gibi üç günlük kısa zaman dilimine ait veriler de kullanılmıştır. Ayrıca hibrit yöntemin dışında karşılaştırma amaçlı olarak ESA, UKSH ve Geçitli Tekrarlayan Ünite (GTÜ) yöntemleri tek tek uygulanıp sonuçlar grafik halinde gösterilmiştir. Geliştirilen hibrit ESA-UKSH öğrenme yapısı ile yapılan üretim tahmininde ortalama kare hata (Mean Square Error - MSE) 1,17 ‘ye kadar düşürülmüştür. 

References

  • Akdag, S. A., Dinler, A., (2009), A new method to estimate Weibull parameters for wind energy applications, Energy Conversion and Management, 50, 1761–1766.
  • Celik, A. N., (2003), Energy output estimation for small-scale wind power generators using Weibull-representative wind data, Journal of Wind Engineering and Industrial Aerodynamics, 91,693–707.
  • Chung, J., Gulcehre, C., Cho, K., Bengio, Y., (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, Proceedings, In NIPS 2014 Workshop on Deep Learning, December 2014.
  • Giebel, G., Landberg, L., Nielsen, T. S., Madsen, H. (2001). The Zephyr project. The next generation prediction system. Proceedings,EWEC 2001, 777– 780.
  • Hochreiter, S., Schmidhuber, J., (1997), Long Short-Term Memory, Neural Computation, 9, 8, 1735-1780.
  • Kaynar, O., Taştan, S., Demirkoparan, F., (2009), Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini, 10. Ekonometri ve İstatistik Sempozyumu, 27-29 Mayıs 2009, Erzurum.
  • Landberg, L., Giebel, G., Madsen, H., Nielsen, T. S., Jørgensen, J. U., Laursen, L., (2002). Wind farm production prediction-the Zephyr model. Technical report. Roskilde, Denmark.
  • Olah, C., (2015). Understanding LSTM Networks. https://colah.github.io/posts/2015-08-Understanding-LSTMs/, Erişim tarihi Mart 11, 2019.
  • Pinson P., (2006), Estimation of the Uncertainty in Wind Power Forecasting, Doktora Tezi, Mines Paris.
  • Sanchez, I., (2006), Short-term prediction of wind energy production, International Journal of Forecasting, 22 , 43– 56.
  • Soman, S., Zareipour, H., Malik, O., Mandal, P., (2010), A Review of Wind Power and Wind Speed Forecasting Methods With Different Time Horizons, North American Power Symposium 2010, USA.
  • Türkiye Rüzgar Enerjisi Birliği. “İstatistik Raporu Ocak 2019”. https://www.tureb.com.tr/ files/bilgi_bankasi/turkiye_res_durumu/istatistik_raporu_ocak_2019.pdf. Erişim tarihi Nisan 11, 2019.
  • Wilamowski B. M., Yu, H., (2010), Improved computation for Levenberg-Marquardt Training, IEEE Transactions on Neural Networks, 21, 6, 930-937.
  • Wu, Y., ve Hong, J., (2007). A literature review of wind forecasting technology in the world, Proceedings, IEEE Lausanne POWERTECH, Switzerland
Year 2020, Volume: 11 Issue: 1, 69 - 80, 27.03.2020
https://doi.org/10.24012/dumf.596533

Abstract

References

  • Akdag, S. A., Dinler, A., (2009), A new method to estimate Weibull parameters for wind energy applications, Energy Conversion and Management, 50, 1761–1766.
  • Celik, A. N., (2003), Energy output estimation for small-scale wind power generators using Weibull-representative wind data, Journal of Wind Engineering and Industrial Aerodynamics, 91,693–707.
  • Chung, J., Gulcehre, C., Cho, K., Bengio, Y., (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, Proceedings, In NIPS 2014 Workshop on Deep Learning, December 2014.
  • Giebel, G., Landberg, L., Nielsen, T. S., Madsen, H. (2001). The Zephyr project. The next generation prediction system. Proceedings,EWEC 2001, 777– 780.
  • Hochreiter, S., Schmidhuber, J., (1997), Long Short-Term Memory, Neural Computation, 9, 8, 1735-1780.
  • Kaynar, O., Taştan, S., Demirkoparan, F., (2009), Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini, 10. Ekonometri ve İstatistik Sempozyumu, 27-29 Mayıs 2009, Erzurum.
  • Landberg, L., Giebel, G., Madsen, H., Nielsen, T. S., Jørgensen, J. U., Laursen, L., (2002). Wind farm production prediction-the Zephyr model. Technical report. Roskilde, Denmark.
  • Olah, C., (2015). Understanding LSTM Networks. https://colah.github.io/posts/2015-08-Understanding-LSTMs/, Erişim tarihi Mart 11, 2019.
  • Pinson P., (2006), Estimation of the Uncertainty in Wind Power Forecasting, Doktora Tezi, Mines Paris.
  • Sanchez, I., (2006), Short-term prediction of wind energy production, International Journal of Forecasting, 22 , 43– 56.
  • Soman, S., Zareipour, H., Malik, O., Mandal, P., (2010), A Review of Wind Power and Wind Speed Forecasting Methods With Different Time Horizons, North American Power Symposium 2010, USA.
  • Türkiye Rüzgar Enerjisi Birliği. “İstatistik Raporu Ocak 2019”. https://www.tureb.com.tr/ files/bilgi_bankasi/turkiye_res_durumu/istatistik_raporu_ocak_2019.pdf. Erişim tarihi Nisan 11, 2019.
  • Wilamowski B. M., Yu, H., (2010), Improved computation for Levenberg-Marquardt Training, IEEE Transactions on Neural Networks, 21, 6, 930-937.
  • Wu, Y., ve Hong, J., (2007). A literature review of wind forecasting technology in the world, Proceedings, IEEE Lausanne POWERTECH, Switzerland
There are 14 citations in total.

Details

Primary Language Turkish
Journal Section Articles
Authors

Pelin Görgel 0000-0001-8884-1290

Erkan Kavlak This is me

Publication Date March 27, 2020
Submission Date July 25, 2019
Published in Issue Year 2020 Volume: 11 Issue: 1

Cite

IEEE P. Görgel and E. Kavlak, “Uzun Kısa Süreli Hafıza ve Evrişimsel Sinir Ağları ile Rüzgar Enerjisi Üretim Tahmini”, DUJE, vol. 11, no. 1, pp. 69–80, 2020, doi: 10.24012/dumf.596533.
DUJE tarafından yayınlanan tüm makaleler, Creative Commons Atıf 4.0 Uluslararası Lisansı ile lisanslanmıştır. Bu, orijinal eser ve kaynağın uygun şekilde belirtilmesi koşuluyla, herkesin eseri kopyalamasına, yeniden dağıtmasına, yeniden düzenlemesine, iletmesine ve uyarlamasına izin verir. 24456