Hibrit Derin Öğrenme Teknikleri Kullanılarak Kısa Dönemli Rüzgar Tahmini
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Bilecik Şeyh Edebali Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, ELEKTRONİK VE BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: MEHMET BALCI
Danışman: Uğur Yüzgeç
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Günümüzde artan enerji ihtiyacına paralel olarak çevresel etkiler de göz önüne alındığında yenilenebilir enerji kaynaklarının kullanımı önem kazanmaktadır. Yenilenebilir enerji alanındaki artan talep ve karbon nötrlüğüne ulaşma hedefi ile son yıllarda rüzgar enerji endüstrisinin hızlı bir büyüme yaşadığı görülmektedir. Özellikle büyük ölçekli açık deniz rüzgar enerjisinin elektrik şebekesine entegrasyonu, rüzgar hızının değişkenliği ve kesintililiği nedeniyle şebeke işletimi ve dağıtımı için önemli zorluklar ortaya çıkmaktadır. Büyük ölçekli rüzgar enerji santrallerini elektrik şebekelerine entegre etmek, şebeke güvenirliliğini ve verimliliği optimize etmek amacıyla bu alanda kısa dönemli tahminler oldukça büyük öneme sahiptir. Bu tez çalışması kapsamında karasal rüzgar hızı verisi ve açık deniz rüzgar gücü verileri kullanılarak kısa dönemli yenilikçi hibrit tahmin modelleri geliştirilmiştir. Bu kapsamda ayrıştırma metotlarının birincil ve ikincil kullanımının yanı sıra derin öğrenme tabanlı tahmin yaklaşımlarının performansları karşılaştırmalı olarak analiz edilmiştir. Tahmin modeli için geleneksel Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP) yanı sıra güncel Yankı Durum Ağı (Echo State Network, ESN), Uzun Kısa Süreli Bellek (Long Short Term Memory, LSTM) ve çift yönlü LSTM (BiLSTM) yaklaşımları kullanılmıştır. Birincil veya ikincil ayrıştırma içeren modellerde ise Ampirik Mod Ayrıştırması (Empirical Mode Decomposition, EMD), Topluluk Ampirik Mod Ayrıştırması (Ensemble Empirical Mode Decomposition, EEMD) ve Uyarlanabilir Gürültü ile Komple Topluluk Görgül Kip Ayrıştırması (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN), Sürü Ayrıştırması (Swarm Decomposition, SWD), Dalgacık Ayrıştırması (Wavelet Decomposition, WD) ve Varyasyonel Mod Ayrıştırması (Variational Mode Decomposition, VMD) metotları karşılaştırmalı olarak incelenmiştir. Tüm analizler üç farklı bölgeye ait açık deniz rüzgar gücü verileri ve bir karasal rüzgar hızı verisi kullanılarak istatiksel olarak karşılaştırmalı şekilde sunulmuştur. Hata performans kriterleri de dikkate alındığında tez çalışması kapsamında önerilen yenilikçi ikincil ayrıştırma tabanlı modellerin daha iyi sonuçlar verdiği gözlemlenmiştir.