Bir rüzgar çiftliğinden yapay sinir ağlarıyla kısa süreli elektrik üretim tahmini

Dünyada son yıllarda kurulumu artan ve enerji üretiminde önemli bir kaynak haline gelen rüzgar enerjisi sistemleri, Türkiye'nin sahip olduğu rüzgar enerjisi potansiyeli göz önünde bulundurulduğunda, bu gelişmelere paralel olarak Türkiye'de de önem kazanmaktadır. Rüzgarın değişken (stabil olmayan) bir kaynak olması nedeniyle rüzgar enerjisi sistemlerinin şebeke entegrasyonu ve üretilen enerjiden verimli bir şekilde yararlanılabilmesi için rüzgar üretim tahminlerine ihtiyaç duyulmaktadır. Rüzgardan elde edilen enerji üretimi, rüzgar enerjisi sistemlerinin bulunduğu bölgenin rüzgar karakteristiği, çevresindeki coğrafi şekiller, engeller vb. bölgesel özelliklerden etkilendiği için ise tahmin yapılacak bölgeler için farklı matematiksel modellemeler oluşturulmaktadır. Çalışmada, Türkiye'de yer alan bir rüzgar çiftliğinden elde edilen veriler ile YSA yönteminden yararlanılarak kısa süreli rüzgar üretimi tahmini yapılmıştır. Bu doğrultuda öncelikle rüzgar çiftliğinden alınan veri setleri incelenmiş, veri analizleri yapılmış ve YSA modeli için uygun veri setleri oluşturulmuştur. Oluşturulan modellerle yapılan tahmin sonuçları, kısa süreli rüzgar üretim tahminlerinde bir kriter olarak kabul edilen naive yöntemi ile elde edilen tahmin sonuçlarına göre değerlendirilmiştir. Statik ve dinamik yapıda iki farklı temel YSA modeli ile yapılan tahminlere ait hata oranlarının, naive yönteme göre kabul edilebilir bir aralık içerisinde olduğu görülmüştür. Genel olarak en düşük ortalama hata oranları statik yapıda olan YSA ile elde edilmiştir. Ancak seçilen zaman ufukları için tahmin edilen ortalama değerler incelendiğinde; dinamik yapıdaki ağ modellerinden elde edilen sonuçların bazı durumlarda gerçekleşen ortalama değerlere çok yakın olduğu görülmüştür. Farklı aktivasyon fonksiyonları ile elde edilen sonuçlar karşılaştırıldığında; sonuçlar arasında önemli farklılıklar olmadığı görülmüştür. YSA modellerinin eğitimi için kullanılan veri setlerinin, ağın öğrenmesi üzerinde doğrudan etkisi olduğundan; test için seçilen günlere dair tahminler yapılması için farklı eğitim verisi setleriyle farklı ağlar oluşturulmuştur. Bu durumda; dinamik yapıya sahip olan ağ modelleri ile daha az veri sayısı içeren eğitim setleriyle tahmin yapılabilirken, her mevsime ait ve farklı koşullardaki verilerden oluşan bir eğitim setiyle öğrenmeyi tamamlayan statik yapıdaki model ile daha düşük hata oranları elde edilmiştir. Dinamik yapıya sahip olan ağlarda; tahmin edilmesi istenen günden önceki 2 güne ait verilerle eğitilen ağlardan elde edilen sonuçlar, tahmin edilmesi istenen günden önceki 1 haftaya ait verilerle eğitilen ağlardan elde edilen sonuçlara genel olarak yakın çıkarken sonuçlar naive yönteme göre değerlendirildiğinde kabul edilebilir hata aralıkları elde edilmiştir. İkinci bölümde ise dinamik yapıdaki ağ modellerine, girdi olarak sıcaklık değerleri de eklenmiştir. Ancak çalışmada kullanılan veriler ile kısa süreli tahminler yapıldığında sıcaklık girdisinin, ağların sonuçlarını önemli ölçüde etkilemediği görülmüştür. Son bölümde ise; oluşturulan modellerin tahmin yapabilmek için bir meteorolojik veriye ihtiyaç duyan modeller olması nedeniyle, bu verilerin belirli hata oranlarına sahip olmasının üretim tahmini sonuçlarını nasıl etkilediği incelenmiş ve modellerin tahmin yapması için kullanılan test girdisi, rüzgar hızı, değerlerine %5 ile %20 aralığında eklenen rastgele hatalar ile yeni test girdileri elde edilmiştir. Daha sonra ağlara hata oranları eklenmiş bu test girdileri verilmiş ve elde edilen tahminlerin hata oranları incelendiğinde; meteorolojik verilere eklenen %20 oranında rastgele hatanın bile tahmin sonuçları üzerinde en fazla %2.69 oranında bir ortalama hata artışına neden olduğu görülmüştür.