DERİN ÖĞRENME YÖNTEMİ İLE BİNGÖL İLİNİN RÜZGÂR HIZI TAHMİNİ

Abstract

ÖZET: Enerji talebindeki küresel artış, ülkelerin yenilenebilir enerji kaynaklarına yönelme ve bu kaynakları en etkili şekilde kullanma çabalarını beraberinde getirmiştir. Bu nedenle, hayatın her alanında var olan ve yaşamı kolaylaştıran teknolojik imkanların kullanılması, bu arayışta önemli bir role sahiptir. Yapılan çalışmalar, teknolojinin yenilenebilir enerji kaynaklarını etkili bir biçimde kullanabilme yeteneğini ve hatta kullanmaya başlamadan önce ne kadar enerji üretilebileceği konusunda öngörüde bulunabilme potansiyelini ortaya koymuştur. Rüzgâr hızını ve dolayısıyla rüzgârdan elde edilecek gücü tahmin edebilmek oldukça güçtür. Doğası gereği kararsızdır ve birçok parametreye bağlı olarak değişiklik gösterebilmektedir. Zaman, mevsim, sıcaklık, nem ve hava durumu gibi birçok etken rüzgâr hızını etkileyen faktörlerdir. Bu yüzden rüzgârdan üretilebilecek enerjiyi önceden doğru bir şekilde tahmin edebilmek enerji üreticileri için önemli bir konudur. Üretim planlaması için en düşük hata payı ile en iyi tahminin yapılabilmesi gerekmektedir. Günümüzde bu şartlarda rüzgâr gücü ve rüzgâr hızı tahmini yapabilecek en iyi yöntem derin öğrenme yöntemleri ile yapılan tahminlerdir. Bölgenin önceki dönemlere ait rüzgâr hızı verileri ile eğitilen derin öğrenme mimarileri ile geleceğe dair rüzgâr hızı tahminleri yapılabilmektedir. Bu çalışmada da Bingöl iline ait belli tarih aralığındaki rüzgâr hızı verileri Evrişimsel Sinir Ağı (Convolutional Neural Network-CNN) modeli ile işlenmiş ve kısa vadeli rüzgâr hızı tahmini yapılmıştır. Tez çalışmasında Bingöl Meteoroloji Müdürlüğünden alınan, Bingöl iline ait 01.01.2020 ile 01.02.2021 tarihleri arasında ölçülen rüzgâr hızı verilerini derin öğrenme yöntemleri ile işlenerek, kısa vadeli rüzgâr hızı tahmini yapılmıştır. Çalışma bölgenin rüzgâr potansiyeli hakkında ve üretilebilecek rüzgâr gücü hakkında bilgi vermektedir. Çalışma sonucunda bir derin öğrenme yöntemi olan CNN modeli, bölgeye ait geçmiş dönem rüzgâr hızı verileri ile eğitilmiş ve bölgenin gelecek zamana ait rüzgâr hızının nasıl olacağı hakkında ürettiği tahminler gözlemlenmiştir. Yapılan çalışma enerji yatırımcıları ve araştırmacılar tarafından birçok alanda kullanılmak üzere bölgenin rüzgâr potansiyeli hakkında bilgi vermektedir.

ABSTRACT: The global increase in energy demand has brought about the efforts of countries to turn to renewable energy sources and use these resources in the most effective way. Therefore, the use of technological opportunities that exist in every aspect of life and make life easier has an important role in this search. Studies have demonstrated the technology's ability to effectively use renewable energy sources and even its potential to predict how much energy can be generated before using them. It is very difficult to predict the wind speed and therefore the power to be obtained from the wind. It is unstable in nature and can vary depending on many parameters. Many factors such as time, season, temperature, humidity, and weather conditions affect wind speed. Therefore, being able to accurately predict the energy that can be produced from wind is an important issue for energy producers. For production planning, it is necessary to make the best estimate with the lowest margin of error. Today, the best method to estimate wind power and wind speed under these conditions is predictions made with deep learning methods. Future wind speed predictions can be made with deep learning architectures trained with the wind speed data of the region from previous periods. In this study, the wind speed data of Bingöl province within a certain date range was processed with the Convolutional Neural Network (CNN) model and a short-term wind speed forecast was made. In the thesis study, short-term wind speed prediction was made by processing the wind speed data measured between 01.01.2020 and 01.02.2021 of Bingöl province, obtained from Bingöl Meteorology Directorate, with deep learning methods. The study provides information about the wind potential of the region and the wind power that can be produced. As a result of the study, the CNN model, which is a deep learning method, was trained with past wind speed data of the region and the predictions it produced about the future wind speed of the region were observed. The study provides information about the wind potential of the region to be used in many areas by energy investors and researchers.