Kısa dönem rüzgâr hızı için derin öğrenme ve özellik çıkarımına dayalı tahmin yönteminin geliştirilmesi

Bu tez çalışmasında, kısa dönem rüzgâr hızı tahmini için sinyal ayrıştırma ve derin öğrenme tabanlı bir yöntem geliştirilmiştir. Geliştirilen ağın girişinde yalnızca rüzgâr hızı kullanılmış ve rüzgâr hızı verisi, önerilen modele uygulanmadan önce Varyasyonel Mod Ayrıştırması (VMA) yöntemi ile alt bileşenlerine ayrılmıştır. Elde edilen içsel mod fonksiyonu bileşenleri matrise dönüştürülerek önerilen modele giriş olarak verilmiş ve tahmin süreci Evrişimli Sinir Ağı (ESA) ile Çift Yönlü Uzun Kısa Süreli Bellek (Çift Yönlü UKSB) katmanlarından oluşan hibrit bir mimari ile gerçekleştirilmiştir. ESA katmanları ayrıştırılmış sinyalden yapısal özellikleri çıkarırken, Çift Yönlü UKSB katmanları zamansal bağımlılıkları iki yönlü olarak modelleyerek tahmin doğruluğunu artırmıştır. Önerilen model, 2019 yılına ait saatlik rüzgâr hızı verileri kullanılarak test edilmiş ve ESA - UKSB (Uzun Kısa Süreli Bellek) ve ESA - KTÜ (Kapılı Tekrarlayan Ünite) modelleriyle tüm tahmin ufuklarında karşılaştırılmıştır. Önerilen modelin performansı; Kök Ortalama Kare Hata (RMSE), Ortalama Mutlak Hata (MAE), Korelasyon Katsayısı (R) ve Simetrik Ortalama Mutlak Yüzde Hata (SMAPE) metrikleri ile değerlendirilmiştir. Önerilen ESA - Çift Yönlü UKSB modeli, 1 saat ileriye dönük tahminde R değeri 0.9680, RMSE değeri 0.8417, MAE değeri 0.6263 ve SMAPE değeri 0.1280; 2 saat ileriye dönük tahminde R değeri 0.9418, RMSE değeri 1.1479, MAE değeri 0.8654 ve SMAPE değeri 0.1730; 3 saat ileriye dönük tahminde ise R değeri 0.9165, RMSE değeri 1.3294, MAE değeri 1.0098 ve SMAPE değeri 0.1997 elde etmiştir. Bu sonuçlar önerilen modelin kısa vadeli tahminde yüksek doğruluk sergilediğini göstermektedir. Ayrıca önerilen model, ESA - UKSB ve ESA - KTÜ mimarileriyle karşılaştırılmış ve tüm tahmin ufuklarında daha düşük hata ve daha yüksek doğruluk elde ederek en başarılı yöntem olarak belirlenmiştir. Elde edilen sonuçlar, önerilen yöntemin rekabetçi bir performans sergilediğini ve akıllı şebeke operasyonlarında etkin bir şekilde kullanılabileceğini göstermektedir.