Aggregation strategies for grid-based numerical weather predictions (NWP) to improve power curve models with meta-learning extension

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: İngilizce

Öğrenci: ELİF KONYAR

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmanın ilk bölümünde, Sayısal Hava Tahmini (NWP) modellerinden grid tabanlı hava tahminlerini kullanarak rüzgar güç eğrisini tahmin etmek için alternatif stratejiler önerilmiştir. Güçlü sonuçlar sağladığı bilinen Weibull Kümülatif Dağılım Fonksiyon ve 5 Parametreli Lojistik Fonksiyonu gibi geleneksel güç eğrisi tahminleme modelleri tek bir konumdan hız bilgisini kullanır. Öte yandan, kısa vadeli güç tahminlemede çoklu grid noktalarından tahminler kullanmak NWP tahminlerini gerçek hız değerlerine eşlemede ek zorluklar getirmektedir. Bunları çözmek için, NWP tahminlerini birleştirip rüzgar gücünü doğrudan tahminleyen basit bir optimizasyon çerçevesi önerilmiştir. Rüzgar yönünün döngüsel yapısıyla alakalı problemler nedeniyle, genelleştirilmiş eklemeli modellere dayanan alternatif birleştirme stratejileri de öneriyoruz. Altı santral üzerinde yapılan deneyler hedef üzerinde Yarı-binom dağılımı varsayımıyla yapılan parametre tahmininin güç eğrisi tahminleme yaklaşımlarında kullanılan popüler Gauss olabilirlik varsayımına kıyasla daha iyi performans sağladığını göstermektedir. İkinci bölümde ise dinamik model sıralama mekanizmasına sahip alternatif meta-öğrenme yaklaşımları uygulanmaktadır. Karar ağaçları ve ağaç tabanlı topluluk öğrenme modelleri kullanılarak en çok kullanılan noktasal, ikili ve listesel sıralama yaklaşımlarından faydalanılmıştır. Bu modeller ilk aşamadaki model havuzu üzerinde test edilmiştir. Deneyler ikili ve listesel yaklaşımların hem noktasal yaklaşımı hem de modellerin bireysel performanslarını iyileştirdiğini göstermektedir.