Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini

Rüzgar enerjisinin değişken yapısından kaynaklanan sistem belirsizliğinin azaltılması ve santrallerin daha doğru üretim tahminleri yaparak gelirlerini arttırması için daha doğru ve kararlı tahmin modellerine ihtiyaç duyulmaktadır. Çalışmada bu amaçla kısa dönem rüzgar gücünün tahmini için diğer çalışmalardan farklı olarak hem statik hem dinamik yapıda ve birbirinden farklı makine öğrenmesi algoritmalarına dayanan iki yeni hibrit model geliştirilmiştir. Geliştirilen statik modelde her mevsimden veriyi içeren sabit bir eğitim seti kullanılmıştır. Statik modelde tahmin algoritmaları olarak kullanılan Destek vektör regresyonu (SVR), Karar ağacı (DT), Gauss süreç regresyonu (GPR)'nin optimum hiper parametre değerlerinin araştırılmasında Bayes optimizasyonu algoritmasından yararlanılmıştır. Optimize edilen makine öğrenmesi algoritmalarının tahmin performanslarını arttırmak amacıyla birden çok modelin birleştirilmesine dayanan topluluk öğrenmesi algoritmalarından torbalama ve istifleme kullanılarak topluluk öğrenmesi modelleri oluşturulmuştur. Geliştirilen dinamik modelde ise zaman serisi analizinde başarılı sonuçlar veren Uzun kısa süreli hafıza (LSTM) sinir ağlarından yararlanılmıştır. Statik modelden farklı olarak eğitim veri seti zamana bağlı değişen yapıda olup test günlerinin önceki 3 gün (72 saat), 5 gün (120 saat), 10 gününe (240 saat) ait verilerle oluşturulmuştur. Geçmiş rüzgar gücü ile beraber kullanılacak girdi parametresinin seçilmesi amacı ile Komşuluk bileşen analizi (NCA) algoritmasından yararlanılmıştır. Dinamik model olması sebebiyle her adımda ağ önceki zamana ait gerçekleşen güç verileri ile güncellenmiştir. Geliştirilen modeller Türkiye'de bulunan bir rüzgar türbinin rüzgar gücünün mevsim bazlı tahmininde 24 saatlik zaman ufku için uygulanmıştır. Statik yapıdaki torbalama modeli %11,045 Normalize Ortalama Hata Kareleri Kökü (NRMSE), %4,880 Normalize Mutlak Ortalama Hata (NMAE) ve 0,899 Determinasyon katsayısı (R^2) değerlerini alarak dinamik NCA-LSTM modeline oranla daha başarılı olmuştur. Dinamik model ani değişimlerin ve dalgalanmaların yaşandığı zaman dilimlerinde daha başarılı olmasına rağmen statik yapıdaki torbalama modeli her mevsimden sayıca çok daha fazla veri ile eğitildiği için genel olarak gerçek güç değerlerine daha yakın sonuçlar vermiştir.