Forecasting wind power generation with ensembling techniques
Topluluk yaklaşimlariyla rüzgar enerjisi üretimi tahmini
- Tez No: 897355
- Danışmanlar: DOÇ. DR. FULYA GÖKALP YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Statistics, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gelecek değer tahmini, Makine öğrenmesi, İstatistiksel analiz, İstatistiksel modelleme, Future value forecast, Machine learning, Statistical analysis, Statistical modelling
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Enerji ihtiyacı, artan nüfus ve endüstriyel gelişmelerle birlikte her geçen gün artmaktadır. Artan talep, tüketim oranlarını aşan bir hızda yenilenen enerji kaynaklarına geçişi zorunlu kılmaktadır. Rüzgar türbinlerinin gelecekteki üretimini tahmin etmek, yenilenebilir enerji sektöründe stratejik planlama için kritik öneme sahiptir. Bu amaçla, her biri yorumlanabilirlik ve doğruluk açısından farklılık gösteren, istatistiksel modelleme, makine öğrenimi ve derin öğrenme teknikleri gibi çeşitli yaklaşımlar önerilmiştir. Bu çalışma, birden fazla modelleme yaklaşımını entegre eden topluluk teknikleri kullanarak rüzgar türbini güç tahminlerinin doğruluğunu ve yorumlanabilirliğini artırmayı amaçlamaktadır. Akhisar, Türkiye'deki rüzgar türbinlerinden elde edilen veriler kullanılarak kısa vadeli (1 saatlik) ve orta vadeli (1 günlük) tahminler yapılmıştır. Farklı modellerin birleştirilme nedeni, verilerde tam anlamıyla kapsamlı bir zaman serisi yapısının bulunmaması ve tüm zaman dilimleri için optimal bir modelin olmamasından kaynaklanmaktadır. Kombinasyon tekniğimiz, gelecekteki zaman dilimlerinde hangi modelin diğerlerinden daha iyi performans gösterdiğini tahmin etmeye dayanmaktadır. Çeşitli yaklaşımlar arasından en uygun modeli belirlemek için farklı kombinasyon teknikleri önerilmiştir. Çalışmanın sonunda, gelecekteki zaman adımları için en uygun modeli belirleyen sınıflandırma modeli, tahmin doğrulunu artırdı. Ek olarak, önceki zaman dilimlerinde modellerin hatalarını sınıflandırma modelinin öznitelik setine eklemek, daha doğru tahminler sağladı.
Özet (Çeviri)
The global energy demand need is increasing with the growth in population and industrial developments. The increasing demand necessitates a transition to renewable energy sources, which are restored at a rate exceeding their consumption. Forecasting the future production of wind turbines is critical for strategic planning within the renewable energy sector. Various approaches, including statistical modeling, machine learning and deep learning techniques, have been proposed for this purpose, each varying interpretability and accuracy. This study aims to enhance the accuracy and interpretability of wind turbine output forecasts by employing ensemble techniques that integrate multiple modeling approaches. Specifically, data from wind turbines in Akhisar, Türkiye were used to predict short-term (1 hour ahead) and mid-term (1 day ahead). The motivation for combining different models arises from the lack of a fully comprehensive time series structure in the data and the absence of a universally optimal model for all time steps. Our combination method is based on predicting which model outperforms other ones in future timesteps. To identify the optimal model among various approaches, we proposed different combination techniques. As a result, the classifier that identifies the optimal model for future timesteps increased forecast accuracy. Additionally, adding errors of base models from previous timesteps to feature set of classifiers provided more accurate forecasts.
Benzer Tezler
- Rüzgar enerjisi üretim dengesizliklerinin yol açtığı enerji piyasasındaki tahmin zorluğunun depolama sistemi ile ekonomik karşılaştırılması ve değerlendirilmesi
Economic comparison and evaluation of the forecasting challenge in the energy market caused by wind power generation imbalances with storage systems
SİMGE ACAR
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Forecasting of wind power generation: A comparative study
Rüzgar enerjisi üretiminin tahmini: Bir karşılaştırmalı çalışma
SHER YAR KHAN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAVİT FATİH KÜÇÜKTEZCAN
- Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms
Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak
CEM ÖZEN
Doktora
İngilizce
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ
- Uzun kısa süreli hafıza sinir ağı algoritmasıyla rüzgar enerjisi güç tahmini ön çalışması
Wind power forecasting with long short time memory neural network algorithm preliminary study
SELAHATTİN GÜNGÖR
Yüksek Lisans
Türkçe
2024
EnerjiGiresun ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL ŞENOL
PROF. DR. İLKAY TÜRK ÇAKIR
- Gün öncesi elektrik piyasası için kısa dönemli rüzgar gücü üretim tahmin yöntemi
Short-term wind power generation forecasting method for day-ahead electricity market
EZGİ ARSLAN TUNCAR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAFAK SAĞLAM
PROF. DR. BÜLENT ORAL