Geliştirilmiş gri kurt algoritması tabanlı karşılaştırmalı kısa dönem hibrit rüzgar gücü tahmin modelleri ve uygulaması

Abstract

Dünyanın artan nüfusu ve buna bağlı olarak her geçen gün yükselen enerji ihtiyacı, günümüz de talep edilen enerjinin temiz ve sürdürülebilir olması hedefini sunmuştur. Bu nedenle yenilenebilir enerji sistemlerine yönelim hızla artış göstermektedir. Rüzgar enerji sistemlerinin ilk kurulum maliyetleri yüksek olması nedeniyle istenilen bir bölgeye rüzgar enerjisi sistemi kurulumu yapılmadan önce bölgenin rüzgar hızı ve buna bağlı olarak rüzgar gücü karakteristiklerininbelirlenmesi, planlamaların ve etüd çalışmalarının bu doğrultu da yapılması gerekir. Bu tez çalışması, kısa dönem rüzgar gücü kestirimine yönelik özgün akıllı sezgisel tahmin modellemeleri ve bunların uygulamalarını içermektedir. Son yıllar da sıklıkla kullanılan akıllı sezgisel yaklaşımlar ve bunların hibrit modelleri, farklı ayrıştırma metodları veya farklı optimizasyon teknikleri ile birlikte daha hassas modellerin ortaya çıkmasını sağlamıştır. Bu tez çalışmasın da kullanılan meta-sezgisel optimizasyon algoritmalarından biri olan Gri Kurt Optimizasyon (GWO) algoritması, temel olarak doğadaki gri kurtların avlanma yöntemine ve sosyal hiyerarşisine dayanmaktadır. Çalışma da, arama performansını iyileştirmek için orjinal GWO algoritmasına eklenen bazı etkili ve yeni mekanizmalar içeren Çok Stratejili Rastgele Ağırlıklı Gri Kurt Optimizasyon (MsRwGWO) algoritması sunulmuştur. Bunlar, önerilen MsRwGWO yaklaşımında, a ⃗ parametresini güncellemek için bir geçiş mekanizması, ağırlıklı bir güncelleme mekanizması, bir mutasyon operatörü, bir sınır kontrol mekanizması, açgözlü bir seçim mekanizması ve lider üç kurdun (alfa, beta ve delta kurtları) bir güncelleme mekanizmasını içermektedir. MsRwGWO algoritmasının performansını değerlendirmek için CEC 2014 test takımı olarak bilinen bazı kıyaslama fonksiyonları kullanılmıştır. Öncelikleoptimizasyon problemlerinin çözümü sırasında MsRwGWO algoritmasının yakınsama, arama geçmişi, yörünge ve ortalama mesafe gibi davranışları analiz edilmiştir. İkinci olarak, önerilen MSRwGWO ve GWO algoritmalarının karşılaştırmalı istatistiksel sonuçları, 10, 30 ve 50 boyutlu CEC 2014 kıyaslamaları için sunulmuştur. Ayrıca literatürde yer alan bazı popüler meta-sezgisel algoritmalar, 30D CEC 2014 test problemleri için önerilen MsRwGWO algoritması ile karşılaştırılmıştır. Son olarak, MsRwGWO algoritması, gerçek bir dünya problemi olan kısa dönemli rüzgar hızı tahminin de kullanılan bir Çok Katmanlı Algılayıcının (MLP) eğitim sürecine uyarlanmış ve GWO tabanlı MLP ile karşılaştırmalı sonuçlar elde edilmiştir. Kısa dönemli rüzgar hızı tahmini için MLP modelinin kıyaslama problemlerinin ve eğitim performansının istatistiksel sonuçları, önerilen MsRwGWO algoritmasının GWO algoritmasından daha iyi performansa sahip olduğunu göstermektedir.The increasing population of the world and the increasing energy demand accordingly have brought us the target of being clean and sustainable for the energy demanded today. For this reason, the orientation towards renewable energy systems has increased rapidly. Since the initial installation costs of wind energy systems are high, before the installation of a wind energy system in a desired region, the wind speed of the region and the wind power characteristics of the region should be determined, planning and survey studies should be done in this direction. This thesis study includes original intelligent heuristic forecasting models for wind power estimation and their applications. Intelligent heuristic approaches and their hybrid models, which are frequently used in recent years, have led to the emergence of more sensitive models with different decomposition methods or different optimization techniques. Gray Wolf Optimization (GWO), one of the meta-heuristic optimization algorithms used in this thesis, is basically based on the hunting method and social hierarchy of gray wolves in nature. This paper presents the Multi-strategy Random-weighted Gray Wolf Optimizer (MsRwGWO) including some effective and novel mechanisms added to the original GWO algorithm to improve the search performance. These are a transition mechanism for updating the parameter a ⃗ , a weighted updating mechanism, a mutation operator, a boundary checking mechanism, a greedy selection mechanism, and an updating mechanism of leader three wolves (alpha, beta, and delta wolves). We utilized some benchmark functions known as CEC 2014 test suite to evaluate the performance of MsRwGWO algorithm in this study. Firstly, during the solution of optimization problems, the MsRwGWO algorithm's behaviors such as convergence, search history, trajectory, and average distance were analyzed. Secondly, the comparison statistical results of MSRwGWO and GWO algorithms were presented for CEC 2014 benchmarks with 10, 30 and 50 dimensions. In addition, some of the popular meta-heuristic algorithms taken from the literature were compared with the proposed MsRwGWO algorithm for 30D CEC 2014 test problems. Finally, MsRwGWO algorithm was adapted to the training process of a MultiLayer Perceptron (MLP) used in wind speed estimation and comparative results with GWO based MLP were obtained. The statistical results of the benchmark problems and training performance of MLP model for short-term wind speed forecasting show that the proposed MsRwGWO algorithm has better performance than GWO algorithm.