Deep learning approaches for multi-site wind power forecasting in the West Aegean region of Turkey
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: MERT SARIKAYA
Danışman: MUSTAFA GÖKÇE BAYDOĞAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Rüzgar enerjisi, günümüz teknolojileri arasında yenilenebilir enerji üretmenin en ekonomik ve gelecek vaat eden yollarından biridir. Ancak hava olaylarının değişkenliği ve kaotik doğasından kaynaklanan belirsizlikler, rüzgar enerjisi sistemlerinin piyasa istikrarının önündeki büyük problemlerdir. Rüzgar santralleri genellikle rüzgar hızı potansiyeli yüksek olan bölgelerde kurulur. Batı Marmara ve Ege bölgeleri, Türkiye'de en fazla rüzgar santraline sahip bölgelerdir. Bir bölgedeki rüzgar enerjisi üretimi tahmini genellikle her bir rüzgar santrali için ayrı yapılır, ancak çok sahalı bağlamda tahmin yapmak daha fazla mekansal bilgi barındırır, bu nedenle komşu rüzgar santrallerinden öğrenmeyi sağlar. Bu tezde, zaman serilerinin kendisinden gelen zamansal bilgilerin yanı sıra uzamsal bilgiyi derin öğrenme modellerine dahil etmenin yolları incelenmiştir. Çok sahalı rüzgar enerjisi tahmini amacıyla literatürden altı farklı derin öğrenme yöntemi; çok katmanlı algılayıcılar, tekrarlayan, grafik ve evrişimli ağlar test edilmiştir. Her model, daha doğru uzun vadeli tahminler oluşturmak için sayısal hava durumu tahminleriyle beslenmiştir ve model parametreleri hiperparametre optimizasyonu ile belirlenmiştir. Son olarak, modeller bir yıllık süre boyunca ağaç tabanlı, cezalı regresyon ve kalıcılık referans modelleriyle karşılaştırılmıştır. Çok sahalı yaklaşımı kullanmanın etkisini araştırmak için, tekrarlayan model hem her bir tesis için ayrı ayrı hem de tüm tesisler için aynı anda çok sahalı bir bağlamda eğitilmiştir. Çalışma bulgularına göre, tek santralli yinelenen model, çok sahalı yinelenen modelden daha iyi performans göstermiş, fakat evrişimli katmanları kullanan yöntemler tek santralli yinelenen model de dahil olmak üzere tüm modellerden daha iyi performans göstermiştir.