Yapay Zekâ Yöntemleri ile Rüzgâr Tahmini

Abstract

ÖZET: Gelişmiş ve gelişmekte olan ülkelerde son yıllarda, elektrik enerji taleplerinin karşılanmasında yenilenebilir enerji kaynakları tercih edilmektedir. Rüzgâr enerjisi, bu enerji kaynakları arasında daha verimli olmasından dolayı yaygın olarak kullanılmaktadır. Bununla birlikte, rüzgâr enerjisi güç sistemlerinin yönetilmesi ve işletilmesinde rüzgâr hızını doğru ve güvenilir bir şekilde tahmin edilmesi oldukça önemlidir. Ancak, rüzgâr hızının aralıklı ve durağan olmayan yapısı nedeniyle, onun modellenmesi ve tahmin edilmesini zorlaştırmaktadır. Bu çalışmada, rüzgâr santrallerinin planlanması ve uygulanabilirlik çalışmaları için etkili bir rüzgâr tahmini için derin öğrenme temelli iki aşamalı bir model önerildi. Bu yaklaşımda öncelikle rüzgâr hız zaman verileri, sürekli dalgacık dönüşümü ile renkli görüntüye dönüştürüldü. Daha sonra bu görüntüler önerilen evrişimli sinir ağı yardımıyla etkili bir rüzgâr tahmini gerçekleştirildi. Çalışmada, Elazığ Metroloji Bölge Müdürlüğünden alınan 2018-2019 yılları arasındaki saatlik rüzgâr hız verileri kullanılmıştır. Deneysel çalışmalarda, 1-saat, 2-saat ve 3-saat olmak üzere üç farklı ileri ufuk tahmini yapılmıştır. Önerilen modelin performans değerlendirilmesinde ortalama karekök hatası (RMSE), ortalama mutlak hata (MAE) ve korelasyon katsayısı (R) metrikleri kullanılmıştır. Deneysel çalışma sonuçlarına göre 1 saatlik ileri tahminlerde RMSE, R ve MAE performans değerlendirme ölçütlerinde sırasıyla 0,0615, 0,8757 ve 0,0448 başarım sağlanırken, 2 saatlik ileri tahminlerde RMSE, R ve MAE metriklerinde sırasıyla 0,0804, 0,7397 ve 0,0590 başarımın 1-saatlik ileri tahminlere göre biraz azaldığı görülmektedir. Bu durum 3-saatlik ileri tahminlerde de devamı görüldü. Tüm bu deneysel sonuçlar önerilen modelin kısa tahmin dönemleri için daha iyi bir tahmin performansı sergilediğini göstermektedir. Ayrıca daha detaylı performans analiz için AlexNet, ResNet50 ve GoogLeNet gibi 3 farklı derin öğrenme model sonuçları ile karşılaştırılmasında 1 saatlik ileri tahminde daha başarılı olduğu görülmüştür.

ABSTRACT: In recent years, renewable energy sources have been preferred for meeting electricity demands in developed and developing countries. Wind energy is widely used among these energy sources because it is more efficient. However, accurately and reliably predicting wind speed is very important in the management and operation of wind energy power systems. Due to the intermittent and non-stationary nature of wind speed, modeling and predicting it becomes challenging. In this study, a deep learning-based two-stage model is proposed for effective wind forecasting for the planning and feasibility studies of wind farms. In this approach, firstly, wind speed time data was converted into color images using continuous wavelet transform. Then, effective wind forecasting was performed using these images with the help of the proposed convolutional neural network. The study utilized hourly wind speed data from 2018 to 2019 obtained from the Elazığ Meteorology Regional Directorate. In the experimental studies, three different forward horizon predictions were made: 1-hour, 2-hour, and 3-hour forecasts. Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and correlation coefficient (R) metrics were used for performance evaluation of the proposed model. According to the experimental results, in 1-hour ahead predictions, successes of 0.0615, 0.8757, and 0.0448 were achieved in RMSE, R, and MAE performance evaluation criteria, respectively. In 2-hour ahead predictions, it was observed that the performances in RMSE, R, and MAE metrics slightly decreased compared to the 1-hour ahead predictions, with values of 0.0804, 0.7397, and 0.0590, respectively. This trend continued in the 3-hour ahead predictions as well. All these experimental results show that the proposed model exhibits better prediction performance for shorter forecast periods. Additionally, for more detailed performance analysis, it was seen that the proposed model was more successful in the 1-hour ahead prediction when compared with the results of three different deep learning models like AlexNet, ResNet50, and GoogLeNet.