Uzun Kısa Süreli Hafıza ve Evrişimsel Sinir Ağları ile Rüzgar Enerjisi Üretim Tahmini
Öz
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.
Anahtar Kelimeler
Kaynakça
- 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.
Ayrıntılar
Birincil Dil
Türkçe
Konular
-
Bölüm
Araştırma Makalesi
Yayımlanma Tarihi
27 Mart 2020
Gönderilme Tarihi
25 Temmuz 2019
Kabul Tarihi
14 Ekim 2019
Yayımlandığı Sayı
Yıl 2020 Cilt: 11 Sayı: 1
Cited By
İnsan kulağı görüntüleri kullanarak cinsiyet tanıma için derin öğrenme tabanlı melez bir yaklaşım
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
https://doi.org/10.17341/gazimmfd.945188A novel approach for accurate detection of the DDoS attacks in SDN-based SCADA systems based on deep recurrent neural networks
Expert Systems with Applications
https://doi.org/10.1016/j.eswa.2022.116748Forecasting Wind Power Generation Using Artificial Neural Network
International Journal of Pure and Applied Sciences
https://doi.org/10.29132/ijpas.1174444Rüzgâr enerjisi yatırımlarının karbon fiyatlandırması ve rüzgâr hızı tahmini ile ekonomik analizi
Journal of Turkish Operations Management
https://doi.org/10.56554/jtom.1309645Deep Learning Models For Symbol Detection in UFMC Systems
Mühendislik Bilimleri ve Araştırmaları Dergisi
https://doi.org/10.46387/bjesr.1528035Intelligent Forecasting of Electric Energy Demand with Artificial Neural Networks
Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi
https://doi.org/10.24012/dumf.1610576Short-term solar radiation forecasting with a novel image processing-based deep learning approach
Renewable Energy
https://doi.org/10.1016/j.renene.2022.10.063Comparative Evaluation of Machine Learning and Transformer-Based Deep Learning for Solar Energy Forecasting on a Real-World Dataset
Arabian Journal for Science and Engineering
https://doi.org/10.1007/s13369-025-10769-8