Makine öğrenmesi ve derin öğrenme yöntemiyle kısa dönem rüzgar gücü üretim tahmini

Bu tezin temel amacı, ilgili verileri kullanarak, derin öğrenme yöntemleri ve makine öğrenme yaklaşımları yardımıyla kısa vadeli rüzgar gücü üretim tahminlerine ulaşmaktır. Bu çalışmalarda sunulan araştırmanın temel yöntemleri Regresyon Method'larında ve Yapay Sinir Ağı Metodu'nda uygulanmıştır. Tezde incelenecek türbinler Bursa'nın Harmanlık ilçesindeki rüzgar gücü üretim tesisinde bulunmaktadır. Tesis 2009 yılı ortasında kurulmuştur ve rüzgar santrali 16 adet Vestas 112 rüzgar türbini modelinden oluşmaktadır. Enerji üretim kapasitesi yıllık olarak 52.8 MW 'dır. Bu çalışmada sekiz türbin üzerine odaklanılacaktadır. Makine öğrenim geliştirilebilir ve uygulanabilir bir model olmuştur. Bu çalışmada "Çoklu Doğrusal Regresyon", "Destek Vektör Regresyon", "K-En Yakın Komşu " ve "Karar Ağacı Regresyonu" gibi farklı regresyon yöntemleri ile güvenilir tahmin algoritmaları oluşturulmuştur. Bu ilgili tahmin algoritmaları, Python programında bir uygulama geliştirilmektedir. Ek olarak, derin öğrenme yöntemi optimizasyon uygulanmalarında önemli bir rol oynar. Bu method da Python programında optimum konfigürasyonu kurmak ve rüzgar güç üretimini tahminlemek için kullanılacaktır. Bu regresyon yöntemleri ve yapay sinir ağı yönteminde, rüzgar hızını, sıcaklığı ve geçmiş rüzgar enerjisi üretimini içeren bir veri setinin kullanılmaktadır. Bu işlenmiş datalar 01.09.2016 – 31.08.2018 tarih aralığı için Borusan Enbw enerji şirketinden ve rüzgar üretim tesisindeki meteorolojik sensörlerden elde edilmiştir. Günlük verinin karşılaştırılmasına dayanarak, yapay sinir ağı ve tüm regresyon analizlerinden tek bir türbin için günlük (24 saat) elde edilen tahmin performansları, birbirleri ile karşılaştırıldığında hangi tahmin sonuçları birbirine eşit veya daha iyi olup olmadığına karar verilecektir. Tüm simülasyonlardan sonra bu incelenen yöntemler arasından, rüzgar gücü tahminlemesi için en iyi yönteme karar verilecektir. Bu yapılan çalışmada, bir türbin verisinde iki analiz uygulanmıştır. Bunlardan birincisi iki farklı girdiye sahip tahmin modellerinden elde edilen sonuçları kıyaslamaktadır. İlk analizde hem rüzgar hızı hem de sıcaklık girdi olarak kullanılmış olup, beş method için tahmin sonucu elde edilmiştir. İkinci analizde ise, sadece rüzgar hızı tahmin modeline girdi olarak verilmiştir ve ilgili her method (Çoklu Doğrusal Regresyon", "Destek Vektör Regresyon", "K-En Yakın Komşu Regresyon", "Karar Ağacı Regresyon" ve "Yapay Sinir Ağı" ) için tahmin sonuçları elde edilmiştir. Bu iki analizden elde edilen sonuçlar, grafikler ve tablolar ile bu çalışmada gösterilmiştir. Elde edilen sonuçlarda hem rüzgar türbini hem de sıcaklık ile elde edilen doğruluk oranları daha yüksek olduğu için, bu girdilerle oluşturulan tahmin modeli diğer sekiz türbin içinde uygulanmıştır. MSE (Ortalama Karesel Hata), MAE (Ortalama Mutlak Hata), RMSE (Kare Ortalamalarının Karesel Hatası) hesaplamaları ile çeşitli hata parametleri ve bu ilgili günlük tahminlerin doğruluk oranları gösterilmektedir.