Görüntüleme
14
İndirme
1
Son yıllarda küresel anlamda etkisini yoğun şekilde gösteren iklim değişikliğinin temelinde fosil yakıt tüketimi kaynaklı sera etkisinin kuvvetlenmesi yer aldığı bilinmektedir. İklim değişikliği neticesinde canlılar için hayati önem taşıyan su kaynaklarının azalacağı, ekolojik dengenin bozularak çölleşme ve kuraklığın artacağı öngörülmektedir. Bu sorunla başa çıkılabilmesi için fosil yakıt tüketiminin azaltılması ve enerji ihtiyacının yenilenebilir enerji kaynakları ile karşılanması gerekmektedir. Bu nedenle, temiz ve yenilenebilir bir enerji türü olan rüzgâr enerjisine olan ilgi dünya çapında her geçen gün artmaktadır. Bununla birlikte, rüzgâr hızının güçlü rastgeleliği ve durağan olmaması rüzgâr gücünün elektrik şebekesine entegre edilmesini zorlaştırmaktadır. Bu zorlukların üstesinden gelebilmek için rüzgâr hızının güvenilir ve yüksek doğrulukla tahmin edilmesi kritik önem arz etmektedir. Bu çalışmada, doğrusal olmayan dinamiklere sahip rüzgâr hızının yüksek doğrulukla tahmin edilebilmesi için ampirik kip ayrıştırma ve derin öğrenme yöntemlerinden uzun-kısa süreli bellek tekniklerini içeren melez modeldeki içsel kip fonksiyonlarının rüzgâr hızı tahmin performansı üzerindeki etkileri incelenmektedir. Türkiye’nin en yüksek rüzgâr enerji potansiyeline sahip bölgeleri arasında yer alan Marmara bölgesindeki Bandırma meteoroloji istasyonundan toplanan rüzgâr hızı verileri ampirik kip ayrıştırma tekniği ile içsel kip fonksiyonlarına ayrıştırılmaktadır. Her bir içsel kip fonksiyonunun tahmin modeli üzerindeki başarımının belirlenebilmesi için sırasıyla her bir içsel kip fonksiyonu derin öğrenme modeline dahil edilmeden tahmin modellerinin performansları ölçülmektedir. Tahmin modellerinin başarımları istatistiksel performans metriklerine göre hesaplanmaktadır.
It is known that the basis of climate change, which has been strongly influenced globally in recent years, is the strengthening of the greenhouse effect caused by fossil fuels consumption. As a result of climate change, the water resources of vital importance for animals will be reduced, the ecological balance will be distorted and desertification and drought will increase. To tackle this problem, we need to reduce the consumption of fossil fuels and meet the need for energy with renewable energy sources. Therefore, the interest in wind energy, which is a kind of clean and renewable energy, is increasing everyday worldwide. However, the strong randomity of the wind speed and the lack of stops make it difficult for the wind power to be integrated into the electric network. It is critical that wind speed is estimated with reliable and high accuracy to overcome these challenges. This study examines the effects of the internal chip functions in the melted model, which include long-term memory techniques from the empirical chip separation and deep learning methods to the high accuracy of the wind speed with non-linear dynamics, to the wind speed forecast performance. The wind speed data collected from the Bandırma meteorological station in the region of Marmara, which is among the regions with the highest wind energy potential in Turkey, is divided into internal wind function with the empirical chip separation technique. To determine the success of each internal kip function over the predictive model, the performance of the predictive models is measured, respectively, without incorporating each internal kip function into the deep learning model. The results of the forecast models are calculated according to statistical performance metrics.
In recent years, it is known that the strengthening of the greenhouse effect caused by fossil fuel consumption is at the root of climate change, which has had an intense impact on the global scale. As a result of climate change, it is predicted that water resources, which are vital for living things, will decrease, and the ecological balance will deteriorate and desertification and drought will increase. In order to cope with this problem, fossil fuel consumption should be reduced and energy needs should be met with renewable energy sources. Therefore, the interest in wind energy, which is a clean and renewable energy type, is increasing day by day around the world. However, the strong randomness and non-stationarity of the wind speed make it difficult to integrate wind power into the electricity grid. To overcome these challenges, reliable and highly accurate estimation of wind speed is critical. In this study, the effects of intrinsic mode functions in the hybrid model, which includes empirical mode decomposition and long-short-term memory (LSTM) techniques, on wind speed prediction performance are investigated for high accuracy prediction of wind speed, which has nonlinear dynamics. Wind speed data collected from Bandırma meteorology station in the Marmara region, which is among the regions with the highest wind energy potential in Turkey, are decomposed to intrinsic mode functions by empirical mode decomposition technique. To determine the performance of each intrinsic mode function on the wind speed prediction model, the performances of the prediction models are measured without including each intrinsic mode function in the deep learning model, respectively. The performance of prediction models is computed according to statistical performance metrics.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
