Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği

Dünya genelinde enerji talebinin artışı, mevcut kapasitelerin yetersiz kalmasına neden olmakta ve bu talebi geleneksel yöntemlerle karşılamak mümkün olmamaktadır. Bu durum, küresel ölçekte yenilenebilir enerji kaynaklarından güç üretimine yönelimi teşvik etmektedir. Yenilenebilir enerji kaynakları, kirlilikten arındırılmış enerji üretim kapasiteleri nedeniyle giderek daha fazla ilgi görmektedir. Son yıllarda, rüzgâr enerjisi yenilenebilir, sürdürülebilir ve çevre dostu bir enerji kaynağı olarak öne çıkmış ve enerji sistemlerinde en etkili yenilenebilir enerji kaynağı olarak kabul edilmektedir. Rüzgâr enerjisinin geleceği umut verici görünmekle birlikte, başlangıç maliyetleri ve rüzgârın öngörülemeyen ve stokastik doğası, bu enerjinin elektrik şebekesine entegrasyonunu zorlaştırmaktadır. Bu tezde, rüzgâr hızı tahmini problemi ele alınmış ve bu problemi çözmek için doğru bir öngörü yöntemi kullanılması gerektiği vurgulanmıştır. Etkili rüzgâr hızı tahmin yöntemleri, rüzgâr enerjisinin karşılaştığı zorlukların üstesinden gelinmesine yardımcı olmaktadır. Tezin amacı, özellikle ulusal bir şebeke içinde kısa vadeli tahminler için yapay sinir ağı modellerini incelemektir. Bu çalışmada, Kocaeli-Türkiye'deki Kandıra rüzgâr çiftliğinden elde edilen veri seti kullanılarak kısa vadeli rüzgâr hızı tahminleri yapılmış ve bu amaçla Doğrusal Olmayan Otoregresif Sinir Ağı (DOOSA), Dış Girdili Doğrusal Olmayan Ototetkisel Sinir Ağı (DODGOSA) ve Kapılı Tekrarlayan Birim (KTB) modelleri kullanılmıştır. Bu modellerin performansları diğer veri tabanlı yöntemlerle karşılaştırılmıştır. Tezin odak noktası, mevcut DOOSA modelinin, gerçek verilerle farklı sayılardaki gizli katman nöronları, gecikmeler ve eğitim fonksiyonları kullanılarak modelin hiperparametrelerinin iyileştirilmesi üzerinedir. Performans ölçütleri olarak ortalama kare hatası (MSE) ve belirleme katsayısı (R²) kullanılmıştır. Sonuçlar, DOOSA modelinin hiperparametre optimizasyonu ile rüzgâr hızı tahmin performansını artırdığını göstermektedir. Önerilen DOOSA modeli, dışsal girdilerle zenginleştirilmiş versiyonu olan DODGOSA (Dışsal Girdili Doğrusal Olmayan Otoregresif Sinir Ağı) ile karşılaştırılmıştır. Sonuçlar, DOOSA'nin DODGOSA'ya kıyasla benzer performans sergilediğini ve daha kısa sürede çalıştığını ortaya koymuştur. Ayrıca, öğrenme algoritmaları karşılaştırılmış ve Bayesian Regularization (BR) algoritmasının en iyi öğrenme algoritması olduğu belirlenmiştir. Ancak, Levenberg-Marquardt (LM) algoritmasının çok daha hızlı yürütüldüğü ve BR'ye yakın sonuçlar sağladığı görülmüştür. Çalışma sonuçları, modeller arasında farklı performans metriklerine dayalı bir ödünleşim olduğunu ortaya koymaktadır. GRU modeli, 0.00722 ile en düşük MSE değerine ulaşarak hata minimizasyonunda üstün bir doğruluk sergilemiştir. Bununla birlikte, DOOSA modeli, KTB modelini geride bırakarak, 0.756'lık GRU R² değerine kıyasla 0.886'lık bir R² değeri elde etmiştir. DODGOSA modeli ise 0.2253'lük bir MSE ve 0.904'lük bir R² değeri üretmiş; bu durum, modelin R² açısından iyi performans gösterdiğini ancak KTB modeline kıyasla daha yüksek bir hata oranına sahip olduğunu göstermektedir. Bu bulgular, KTB modelinin tahmin hatasını minimize etmede son derece etkili olduğunu, ancak DOOSA modelinin rüzgâr hızı verilerindeki değişkenliği daha iyi yakalayabildiğini ve bu nedenle akıllı şebekelerdeki belirli tahmin uygulamaları için güçlü bir aday olabileceğini önermektedir. Özellikle, yeni veri seti ve kullanılan hiperparametreler, bu modelin etkinliğini ortaya koymaktadır.