Rüzgâr gücü tahmininde uzun kısa süreli bellek ve geçitli tekrarlayan birim modellerinin karşılaştırılması ve analizi

Temiz ve çevre dostu yapısıyla rüzgâr enerjisi, küresel ölçekte öne çıkan yenilebilir bir enerji kaynağıdır. Ancak, meteorolojik faktörler ve rüzgâr hızındaki değişkenlik, rüzgâr enerji sistemlerini istikrarsız hale getirmekte ve rüzgâr gücünün tahmin edilmesini zorunlu kılmaktadır. Rüzgâr gücü tahmini şebeke dengesinin korunması, yenilenebilir enerji kaynaklarının verimli kullanımı ve enerji ticaretinin, bakım-onarım işlemlerinin ve enerji üretim planlamalarının optimize edilmesinde kritik bir rol oynamaktadır. Bu amaçla, bu tez çalışmasında, uzun kısa süreli bellek ve geçitli tekrarlayan birim derin öğrenme mimarileri tek, iki ve üç katmanlı yapılandırılarak uyarlanabilir moment tahmini, karekök ortalama kare yayılımı ve momentumlu stokastik gradyan azalması algoritmaları ile eğitilmiştir. Ayrıca, Bayes optimizasyon algoritmasından yararlanılarak her bir derin öğrenme modeli için en uygun hiper-parametre değerleri tespit edilmiştir. Oluşturulan tahmin modellerinin performansları ortalama mutlak yüzdesel hata, ortalama mutlak hata ve karekök ortalama hata ölçekleri açısından analiz edilmiştir. Yapılan analizler sonucunda, uyarlanabilir moment tahmini eğitim algoritmasına dayalı tek katmanlı uzun kısa süreli bellek modeli en yüksek tahmin doğruluğunu sağlayan derin öğrenme modeli olarak ortaya çıkmıştır.