Deep learning approaches for multi-site wind power forecasting in the West Aegean region of Turkey
Türkiye'nin Batı Ege bölgesinde çok sahalı rüzgar enerjisi tahmini için derin öğrenme yaklaşımları
- Tez No: 761230
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Batı Ege bölgesi, Derin öğrenme, Rüzgar enerjisi, Saha çalışmaları, Western Aegean region, Deep learning, Wind energy, Field studies
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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.
Özet (Çeviri)
Wind energy is one of the most economical and promising ways of producing renewable energy among today's technologies. But the uncertainties arising from the chaotic nature and the variability of weather events are major problems to the market stabilization and regular maintenance of the wind power systems. Wind farms are usually built in high wind speed potential areas. West Marmara and Aegean regions have the highest number of wind farms in Turkey. Forecasting the wind power production in a region is usually done separately for each wind farm, but forecasting in multi-site context contains more spatial information, thus enables learning from the neighbor wind plants. In this thesis, incorporation of multi-site spatial information, besides the temporal information, to deep learning models is studied. Six alternative deep learning methods, i.e. multilayer perceptrons, recurrent networks, graph neural networks, convolutional networks and their variants are implemented for this purpose. Each model is enhanced with numerical weather predictions to create more accurate long term forecasts, and model parameters are tuned with a hyperparameter optimization. Finally, these models are compared with tree-based boosting, penalized regression and persistence benchmarks over a one-year period. In order to investigate the positive effect of using multi-site approach, recurrent model is trained both separately for each plant and for all the plants at the same time in a multi-site context. Single plant based recurrent model performed better than the multi-site recurrent model, but methods using convolutional layers, significantly outperforms single recurrent, benchmarks and remaining deep learning models.
Benzer Tezler
- Derin öğrenme ve istatistiksel modellerle operasyonel rüzgar enerjisi tahmini: Batman içinn LSTM, ANN ve ARIMA uygulaması
Operational wind energy forecasting using deep learning and statistical models: An application of LSTM, ANN and ARIMA for Batman
İLAYDA KELKİTLİ BAŞARAN
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA KEMAL KAYMAK
- Machine learning applications in drug discovery and development
İlaç keşfi ve tedavisinde yapay zeka uygulamaları
SADETTİN YAVUZ UĞURLU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolThe Unıversıty Of BırmınghamMühendislik ve Doğa Bilimleri Ana Bilim Dalı
DR. SHAN HE
- Metin madenciliği ve makine öğrenmesi ile internet sayfalarının sınıflandırılması
Web page classification using text mining and machine learning
İLKER ŞAHİN
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OUMOUT CHOUSEIN OGLOU
- Çizge Sinir Ağlari Kullanilarak Protein-Ligand Bağlanma Bölgesi ve Afinite Tahmini
Protein-Ligand Binding Site and Affinity Prediction Using Graph Neural Networks
HAVVANUR AYDIN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBiyoinformatik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. TUNCA DOĞAN
- Sinirileticilerin etkisinin matematiksel modellenmesi: Orta boy dikensi hücrelere dopaminin etkisi
Modelling the effect of neurotransmitters: Effect of dopamine on medium spiny neurons
RAHMİ ELİBOL
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ. DR. NESLİHAN SERAP ŞENGÖR