Rüzgar Enerjisi için Hibrit Derin Öğrenme Modellerine Dayalı Tek Değişkenli Zaman Serisi Metodolojisi

Abstract

Rüzgar enerjisi günümüzde en çok tercih edilen yenilenebilir enerji alternatifi olarak kabul edilmekte ve küresel bir ilgi toplamaktadır. Ayrıca, rüzgar enerjisinin etkin kullanımı küresel ölçekte çevresel kaynakların korunmasına büyük ölçüde katkıda bulunmaktadır. Rüzgar enerjisinin değişkenliği göz önünde bulundurulduğunda, yenilenebilir enerji kaynaklarının verimli bir şekilde kullanılması için güvenilir bir tahmin geliştirmek çok önemlidir. Literatürde rüzgar enerjisinin doğru tahmini için birden fazla model geliştirilmiştir. Bu çalışmada bu sorunu gidermek için zaman serisi verilerine dayalı istatistiksel modeller kullanılmıştır. Bu çalışma, Diziden Diziye ve Evrişimli Sinir Ağı yaklaşımlarına dayalı tek değişkenli hibrit modeller geliştirerek Karaburun, İzmir, Türkiye'deki rüzgar santralleri tarafından üretilen rüzgar enerjisini tahmin etmeyi amaçlamaktadır. Çalışmanın tahmin aralığı kısa vadeden uzun vadeye kadar uzanmaktadır. En doğru tahmini belirlemek adına gerçek veriler kullanılarak çok sayıda hibrit model geliştirilmiştir. Karşılaştırma sonuçları, Evrişimli Sinir Ağı'nı Uzun Kısa Süreli Bellek hücresiyle istiflenmiş Diziden Diziye ile birleştiren hibrit modelin hem kısa hem de uzun vadede en doğru tahminleri sağladığını ortaya koymaktadır. Geliştirilen hibrit model, kısa vadeli tahminler için önemli bir değişim katsayısı ortaya koyar. Uzun vadeli tahminlerde, kısa vadeli tahminlere göre değişim katsayısında bir azalma olsa da ortalama hataların karesi, ortalama mutlak hata ve ortalama mutlak yüzde hata gibi belirleme metrikleri, modelin uzun vadeli tahminlerde doğruluğunu koruduğunu göstermektedir.

Wind power is presently considered the most favorable renewable energy alternative, gathering global concern. It contributes to the preservation of environmental resources on a global scale. Reliable wind energy forecasting is crucial for efficiently employing renewable energy sources, given their fluctuating patterns. In this study, statistical models based on time series data have been widely used to address this concern. This study aims to forecast the wind energy generated by the wind farms in Karaburun, Izmir, Turkey by developing univariate hybrid models based on Sequence-to-Sequence and Convolutional Neural Network approaches. The study's forecasting range spans from short-term to long-term periods. Numerous hybrid models were developed and trained using the data to identify the most accurate forecast. Benchmarking results reveal that the hybrid model combining convolution neural network with sequence-to-sequence stacked with Long-Short Term Memory cells yields the most accurate forecasts for both short and long terms. Based on actual data, the hybrid model provides a significant for short-term forecasts. In long-range forecasts, even though there is a decrease in the coefficient of variation compared to short-range forecasts, determination metrics such as mean squared error, mean absolute error, and mean absolute percentage error indicate that the model maintains accuracy in the long-term forecasts.