Hibrit derin öğrenme teknikleri kullanılarak kısa dönemli rüzgar tahmini

Abstract

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.

In parallel with the increasing energy demand, using renewable energy sources is becoming increasingly important when environmental impacts are considered. In light of the rising demand for renewable energy and the objective of attaining carbon neutrality, the wind energy sector has witnessed a period of accelerated expansion in recent times. The integration of large-scale offshore wind energy into the electricity grid presents a significant challenge to grid operation and distribution, due to the inherent variability and intermittency of wind speed. To integrate large-scale wind power plants into the electricity grid and to optimize grid reliability and efficiency, it is of great importance to have access to short-term forecasts. This thesis presents the development of innovative short-term hybrid forecasting models utilizing both onshore wind speed and offshore wind power data. In this context, the performance of primary and secondary use of decomposition methods, as well as deep learning-based forecasting approaches, is analyzed comparatively. In addition to the traditional Multilayer Perceptron (MLP), Echo State Network (ESN), Long Short-Term Memory (LSTM), and Bidirectional LSTM (BiLSTM) approaches are employed in the construction of the prediction model. The models under consideration are those employing either single or secondary decomposition. These include Empirical Mode Decomposition (EMD), Ensemble Empirical Mode Decomposition (EEMD), Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN), Swarm Decomposition (SWD), Wavelet Decomposition (WD) and Variational Mode Decomposition (VMD). All analyses are presented statistically in comparison with offshore wind power data and onshore wind speed data from three different regions. Concerning the error performance criteria, it is observed that the innovative secondary decomposition-based models proposed in this thesis yield superior results.