Derin öğrenme kullanılarak Bilecik ili rüzgar hızı tahmini

Abstract

Son zamanlarda yapılan çalışmalarda, rüzgâr hızının kısa vadeli tahmininde derin öğrenme tabanlı modeller yaygın olarak kullanılmaktadır. Bu tez kapsamında rüzgâr hızları zaman serisi tipinde olduğundan buna en uygun derin öğrenme yöntemlerinden biri olan LSTM (Long Short-Term Memory) modeli kullanılmıştır. LSTM sinir ağı, derin öğrenme RNN ağının tüm avantajlarına sahip olmakla birlikte aynı zamanda RNN ağının kaybolan gradyan sorununun üstesinden geldiğnden güçlü doğrusal olmayan işlem yapma yeteneğine sahiptir ve sabit olmayan rüzgar hızı tahmini için uygundur. Çalışmada ilk olarak, Bilecik Meteoroloji Müdürlüğü'nden alınan saatlik rüzgar hızı ham verilerindeki eksik rüzgar hızı verileri ön işlemeden geçirilerek tamamlanmıştır. Daha sonra, Bilecik Meteoroloji Müdürlüğü'nden alınan 10 yıllık (2010-2019) işlenmiş saatlik rüzgâr hızı verileri çeşitli giriş büyüklükleri için tasarlanan derin öğrenme modelimizde eğitime sokularak belirli zaman aralıklarındaki rüzgar hızlarının en iyi doğruluklarda tahminini gerçekleştirilmiştir. Bunun için 10 yıllık saatlik rüzgar hızı verileri, oluşturduğumuz 3 katmanlı LSTM modelinde verilerin %67'si eğitim ve %33'ü test için kullanılarak eğitilmiş daha sonra 2020 yılının aralık ayına ait modelin hiç görmediği saatlik rüzgar hızı verileri test olarak alınarak iki tip LSTM modelinde Ocak ayının 1 gün, 2 gün, 1 hafta ve 1 aylık tahminleri yapılmıştır. Daha iyi tahmin değerleri elde etmek amacıyla, yapı olarak farklı iki tip LSTM modeli, tek değişkenli çift yönlü (Univarate Bidirectional) ve çok adımlı vektör çıkışlı (Multi-Step Vector Output) kullanılmış ve belirli aralıklarda saatlik rüzgar hızı tahmininde hangisinin daha uygun olduğu araştırılmıştır. Çalışmanın diğer bir sonucu ise LSTM modellerinde kullanılan farklı büyüklükteki 1 ve 10 yıllık saatlik rüzgar hızları verilerinin modellerin doğruluğuna etkisi incelenmiş ve sonuçlar karşılaştırılmıştır.

In recent studies, deep learning-based models are widely used for short-term prediction of wind speed. Within the scope of this thesis, LSTM (Long Short-Term Memory) model, which is one of the most suitable deep learning methods, was used since wind speeds are time series type. The LSTM neural network has all the advantages of a deep learning RNN network, but also has strong nonlinear processing capability as it overcomes the vanishing gradient problem of the RNN network and is suitable for unsteady wind speed prediction. In the study, the missing wind speed data in the hourly wind speed raw data obtained from the Bilecik Meteorology Directorate were completed by preprocessing. Then, 10 years (2010-2019) processed hourly wind speed data obtained from Bilecik Meteorology Directorate were put into training in our deep learning model designed for various input sizes, and the best accurate prediction of wind speeds at certain time intervals was realized. For this, 10 years of hourly wind speed data was trained by using 67% of the data for training and 33% for testing in the 3-layer LSTM model we created. Forecasts for 1 day, 2 days, 1 week and 1 month of January were made. In order to obtain better forecast values, two different types of LSTM models, Univarate Bidirectional and Multi-Step Vector Output, were used and it was investigated which one is more suitable for hourly wind speed forecasting at certain intervals. Another result of the study is the effect of different sizes of 1-year and 10-year hourly wind speed data used in LSTM models on the accuracy of the models and the results are compared.