Geliştirilmiş gri kurt algoritması tabanlı karşılaştırmalı kısa dönem hibrit rüzgar gücü tahmin modelleri ve uygulaması

Dünyanın artan nüfusu ve buna bağlı olarak her geçen gün yükselen enerji ihtiyacı, günümüz de talep edilen enerjinin temiz ve sürdürülebilir olması hedefini sunmuştur. Bu nedenle yenilenebilir enerji sistemlerine yönelim hızla artış göstermektedir. Rüzgar enerji sistemlerinin ilk kurulum maliyetleri yüksek olması nedeniyle istenilen bir bölgeye rüzgar enerjisi sistemi kurulumu yapılmadan önce bölgenin rüzgar hızı ve buna bağlı olarak rüzgar gücü karakteristiklerinin belirlenmesi, planlamaların ve etüd çalışmalarının bu doğrultu da yapılması gerekir. Bu tez çalışması, kısa dönem rüzgar gücü kestirimine yönelik özgün akıllı sezgisel tahmin modellemeleri ve bunların uygulamalarını içermektedir. Son yıllar da sıklıkla kullanılan akıllı sezgisel yaklaşımlar ve bunların hibrit modelleri, farklı ayrıştırma metodları veya farklı optimizasyon teknikleri ile birlikte daha hassas modellerin ortaya çıkmasını sağlamıştır. Bu tez çalışmasın da kullanılan meta-sezgisel optimizasyon algoritmalarından biri olan Gri Kurt Optimizasyon (GWO) algoritması, temel olarak doğadaki gri kurtların avlanma yöntemine ve sosyal hiyerarşisine dayanmaktadır. Çalışma da, arama performansını iyileştirmek için orjinal GWO algoritmasına eklenen bazı etkili ve yeni mekanizmalar içeren Çok Stratejili Rastgele Ağırlıklı Gri Kurt Optimizasyon (MsRwGWO) algoritması sunulmuştur. Bunlar, önerilen MsRwGWO yaklaşımında, 𝑎⃗ parametresini güncellemek için bir geçiş mekanizması, ağırlıklı bir güncelleme mekanizması, bir mutasyon operatörü, bir sınır kontrol mekanizması, açgözlü bir seçim mekanizması ve lider üç kurdun (alfa, beta ve delta kurtları) bir güncelleme mekanizmasını içermektedir. MsRwGWO algoritmasının performansını değerlendirmek için CEC 2014 test takımı olarak bilinen bazı kıyaslama fonksiyonları kullanılmıştır. Öncelikle optimizasyon problemlerinin çözümü sırasında MsRwGWO algoritmasının yakınsama, arama geçmişi, yörünge ve ortalama mesafe gibi davranışları analiz edilmiştir. İkinci olarak, önerilen MSRwGWO ve GWO algoritmalarının karşılaştırmalı istatistiksel sonuçları, 10, 30 ve 50 boyutlu CEC 2014 kıyaslamaları için sunulmuştur. Ayrıca literatürde yer alan bazı popüler meta-sezgisel algoritmalar, 30D CEC 2014 test problemleri için önerilen MsRwGWO algoritması ile karşılaştırılmıştır. Son olarak, MsRwGWO algoritması, gerçek bir dünya problemi olan kısa dönemli rüzgar hızı tahminin de kullanılan bir Çok Katmanlı Algılayıcının (MLP) eğitim sürecine uyarlanmış ve GWO tabanlı MLP ile karşılaştırmalı sonuçlar elde edilmiştir. Kısa dönemli rüzgar hızı tahmini için MLP modelinin kıyaslama problemlerinin ve eğitim performansının istatistiksel sonuçları, önerilen MsRwGWO algoritmasının GWO algoritmasından daha iyi performansa sahip olduğunu göstermektedir.