Rüzgar enerjisi üretim verileri üzerinde tahmin modellerinin uygulanması ve karşılaştırmalı analizi
Application and comparative analysis of forecasting models on wind energy generation data
- Tez No: 1019065
- Danışmanlar: DOÇ. DR. TARIK TALAN
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Energy, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Rüzgar Enerjisi, Enerji Üretim Tahmini, Zaman Serisi Analizi, İstatistiksel Modeller, Yapay Zeka Modelleri, Yapay zeka ve makine öğrenmesi dersi, Üretim tahmini, Wind Energy, Energy Production Forecasting, Time Series Analysis, Statistical Models, Artificial Intelligence Models, Artificial intelligence and machine learning course, Production estimate
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gaziantep İslam Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yenilenebilir enerji üretim kapasitesindeki hızlı artış ve elektrik şebekelerinin artan entegrasyon gereksinimleri, rüzgar enerjisi üretiminin güvenilir bir şekilde tahmin edilmesini hem operasyonel hem de planlama süreçleri açısından zorunlu hale getirmiştir. Bu kapsamda, özellikle uzun dönemli rüzgar enerjisi zaman serileri, tahmin modellerinin geliştirilmesinde temel veri kaynağını oluşturmaktadır. Bununla birlikte, literatürde farklı ülkelere ait zaman serileri üzerinde istatistiksel ve yapay zeka tabanlı modellerin çok ölçütlü ve sistematik karşılaştırmalarının sınırlı olduğu görülmektedir. Bu gereksinimden hareketle yürütülen çalışma, farklı model sınıflarının ülkeler arası performansını istatistiksel hata metrikleri ve tahmin doğruluğu ölçütleri temelinde sistematik biçimde değerlendirmeyi amaçlamaktadır. Çalışma çerçevesinde Holt-Winters, Auto-ARIMA, ETS, ThetaF, TBATS, MLP, NNETAR ve ELM modelleri uygulanmıştır. 2015–2024 dönemini kapsayan aylık rüzgar enerjisi üretim verileri Almanya, İngiltere, İspanya, İsveç, Fransa ve Türkiye için ayrı ayrı analiz edilmiştir. Modellerin tahmin performansları MAPE metriğine göre sıralanmış olup RMSE, MAE ve R² ölçütleri aracılığıyla desteklenerek, karşılaştırmalı olarak değerlendirilmiştir. Elde edilen bulgular, tüm ülkeler için üstünlük sağlayan tek bir modelin bulunmadığını ve veri yapısına göre farklı modellerin öne çıktığını göstermektedir. Almanya ve Fransa verileri üzerinde ThetaF modeli en üstün performansı göstermiştir. ThetaF modelinin Almanya ve Fransa verilerinde öne çıkması, bu modelin trend ve mevsimsellik bileşenlerini ayrıştırma kapasitesiyle ilişkilendirilebilir. TBATS modelinin İngiltere verisinde belirgin biçimde öne çıkması çoklu mevsimsel örüntüleri modelleyebilme kapasitesiyle ilişkilendirilebilir. Türkiye'de ise TBATS modeli en düşük MAPE hata değerini göstermiş olmakla birlikte genel model performansının sınırlı kaldığı görülmektedir. İsveç verisinde Holt-Winters modeli en düşük MAPE hata değerini göstermiş olmakla birlikte tüm modeller içerisinde en az MAPE hata oranına sahiptir. İspanya'nın rüzgar üretim verisine bakıldığında MLP modeli öne çıkmıştır. İspanya verisinin eğitim aşamasında istatistiki modeller MLP modeline göre daha iyi performans göstermelerine rağmen test verisinde MLP modelinin gerisine düşmüştür. Bunun sebebi, verinin doğrusal olmayan ve istatistiksel modellerin yapısal varsayımlarına uymayan karmaşık bir örüntü sergilemesidir. Genel olarak mevsimsel bileşenleri açık biçimde modelleyen istatistiksel yaklaşımların çoğu veri setinde istikrarlı performans sunduğu görülmüştür. Bununla birlikte, İspanya örneğinde MLP modelinin üstün genelleme kapasitesi göstermesi, yapay zeka tabanlı modellerin belirli veri yapılarında rekabetçi bir alternatif oluşturduğunu ortaya koymaktadır. Sonuçlar, rüzgar enerjisi üretim tahmininde tek bir evrensel model yaklaşımının yeterli olmadığını, veri karakteristiğine duyarlı ve ülkeye özgü model seçim stratejilerinin gerekliliğini vurgulamaktadır. Çalışma, çoklu performans ölçütlerine dayalı kapsamlı bir ülke karşılaştırması sunarak enerji planlaması ve akıllı şebeke uygulamalarına yönelik karar destek süreçlerine metodolojik katkı sağlamaktadır.
Özet (Çeviri)
The rapid expansion of renewable energy generation capacity and the increasing integration demands of electrical grids have made reliable forecasting of wind energy production essential for both operational and planning processes. In this context, long-term wind energy time series in particular constitute the primary data source for the development of forecasting models. However, the literature reveals a limited number of multi-criteria and systematic comparisons of statistical and artificial intelligence-based models applied to time series from different countries. Motivated by this gap, the present study aims to systematically evaluate the cross-country performance of different model classes on the basis of statistical error metrics and forecasting accuracy criteria. Within the scope of the study, Holt-Winters, Auto-ARIMA, ETS, ThetaF, TBATS, MLP, NNETAR, and ELM models were applied. Monthly wind energy production data covering the period 2015–2024 were analyzed separately for Germany, the United Kingdom, Spain, Sweden, France, and Turkey. Model forecasting performances were ranked according to the MAPE metric and comparatively evaluated with the support of RMSE, MAE, and R² criteria. The findings indicate that no single model achieves superiority across all countries and that different models emerge as the best performers depending on the structure of the data. The ThetaF model yielded the highest performance on the German and French datasets. The prominence of ThetaF in these two countries may be attributed to its capacity to decompose trend and seasonal components. The strong performance of the TBATS model on the United Kingdom dataset may similarly be associated with its ability to capture multiple seasonal patterns. Although the TBATS model showed the lowest MAPE error value in Türkiye, it is observed that its overall model performance remained limited. In the Sweden dataset, the Holt–Winters model achieved the lowest MAPE error value and has the smallest MAPE error rate among all models. For the Spanish dataset, the MLP model emerged as the best performer. Although statistical models outperformed MLP during the training phase, they fell behind MLP on the test set. This outcome may be attributed to the data exhibiting a complex, nonlinear pattern that does not conform to the structural assumptions of statistical models. In general, statistical approaches that explicitly model seasonal components were found to deliver stable performance across most datasets. Nevertheless, the superior generalization capacity demonstrated by MLP in the Spanish case reveals that artificial intelligence-based models constitute a competitive alternative for certain data structures. The results underline that a single universal modelling approach is insufficient for wind energy production forecasting and that data-sensitive, country-specific model selection strategies are necessary. The study contributes methodologically to decision support processes in energy planning and smart grid applications by providing a comprehensive cross-country comparison based on multiple performance criteria.
Benzer Tezler
- Mezo-mı̇kro ölçek model kuplesı̇ wrf-les ı̇le yüksek çözünürlüklü rüzgar alanının belı̇rlenmesı̇
High-resolution wind field determination with wrf-les through meso-micro scale model coupling
ERKAN YILMAZ
Doktora
Türkçe
2025
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
PROF. DR. GÖKHAN KİRKİL
- Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus
Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini
MARYA ALHAJMOHAMMADOTHMAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
DR. ÖĞR. ÜYESİ DENİZ BALTA
- Determining the cleaning period of PV solar panels using image-processing simulation
Görüntü işleme ve simülasyon kullanılarak fotovoltaik güneş panellerinin temizlik periyodunun belirlenmesi
MALİK CEBRAIL
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
- Çukurova bölgesinde biyoklimatik veriler kullanılarak açık ve yeşil alan sistemlerinin belirlenmesi ilkeleri üzerinde bir araştırma
A research on the determination of the principles in open and green spaces systems by using the bioclimatic data in Çukurova region
MEHMET FARUK ALTUNKASA
Doktora
Türkçe
1987
Çevre MühendisliğiÇukurova ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ERDOĞAN GÜLTEKİN
- Şanlıurfa-Harran ovası topraklarının ince kum mineralojisi ve bazı yaygın toprak serilerinin mikromorfolojisi
Başlık çevirisi yok
SABAHATTİN ŞAHAN