Citation Number
9
Views
17
Downloands
3
Son on yılda, rüzgâr enerjisine dayalı yenilenebilir enerji kaynaklarının kullanımındaki kayda değer artış, bu kaynakların ihtiyaçlara kesintisiz ve tahmin edilebilir bir şekilde cevap verebilmesini sağlamak için rüzgâr hızı tahmin çalışmalarının önemini arttırmaktadır. Rüzgâr enerjisinden teknolojik olarak faydalanmak için; yararlanma imkânlarının bilinmesi, yüksek rüzgâr enerjisi potansiyeline sahip bölgelerin belirlenmesi, rüzgâr karakteristiklerinin ve hızlarının tahmin edilebilir olması oldukça önemlidir. Güvenilir ve yüksek hassasiyetli rüzgâr hızı tahmini, rüzgâr gücünün verimli kullanımı ve kullanılması açısından hayati önem arz etmektedir. Rüzgâr hızının durağan olmaması ve stokastik yapısı, rüzgâr hızı tahmininde ayrıştırma yöntemlerini ön plana çıkarmaktadır. Bu çalışmada, ayrıştırma yöntemlerinden ampirik kip ayrışımı, topluluk ampirik kip ayrışımı ve ampirik dalgacık dönüşümünün derin öğrenme yöntemlerinden uzun-kısa süreli bellek ile elde edilen rüzgar hızı tahmin modeli başarımına etkisi incelenmektedir. Türkiye'nin Marmara bölgesindeki üç rüzgâr istasyonundan toplanan veriler her bir ayrıştırma yöntemi ile alt bant sinyallerine ayrıştırılarak uzun-kısa süreli bellek model yapısı ile kombine rüzgâr hızı tahmin modeli oluşturulmaktadır. Her bir ayrıştırma yöntemi ile birlikte elde edilen kombine modellerin başarımları istatistiksel hata ölçütlerine göre değerlendirilmekte ve rüzgâr hızı tahmin modeli başarımına etkisi en yüksek ayrıştırma yöntemi, melez rüzgâr hızı tahmin modeli elde edilmesi çalışmalarında önerilmektedir.
Over the past decade, a remarkable increase in the use of renewable energy sources based on wind energy has increased the importance of wind speed forecast work to ensure that these sources are able to respond to the needs in an uninterrupted and predictable way. To take advantage of wind energy technologically, it is very important to know the possibilities of use, to identify areas with high wind energy potential, to make wind characteristics and speeds predictable. A reliable and high sensitivity wind speed forecast is vital for the efficient use and use of wind power. The fact that the wind speed is not stable and its stocastic structure puts the methods of separation in the wind speed forecast to the forefront. In this study, the impact of the separation methods on the success of the wind speed forecast model obtained by long-term memory from the empirical separation methods, the community empirical separation methods and the deep learning methods of the empirical wave transformation. The data collected from the three wind stations in the Marmara region of Turkey is divided into the underband signals with each separation method and a combined wind speed forecast model is created with the long-term memory model structure. The achievements of the combined models obtained along with each separation method are assessed according to the statistical error criteria and the highest impact on the success of the wind speed forecast model is recommended in the studies of obtaining the highest separation method, the melting wind speed forecast model.
In the last decade, the significant increase in the use of renewable energy sources based on wind energy has increased the importance of wind speed forecasting studies to ensure that these resources can respond to the needs in an uninterrupted and predictable manner. In order to be able to utility from wind energy technologically, it is very important to knowing the facilities of utilization, determining the regions, which have high potential of wind energy, being predictable the wind characteristics and speeds. The reliable and high accuracy wind speed forecasting is of vital to the efficient exploitation and utilization of wind power. The non-stationary and stochastic structure of the wind speed raise to the forefront the decomposition methods in wind speed forecasting. In this study, the effect of empirical mode decomposition, ensemble empirical mode decomposition and empirical wavelet transform on the performance of wind speed forecasting model obtained with long-short term memory from deep learning methods is investigated. The data collected from five wind farms in Marmara region, Turkey are decomposed to subband signal by these three decomposition methods, and the combined wind speed forecasting model is obtained with the long-short-term memory model structure. The performance of the combined models obtained by each decomposition method has been evaluated according to the statistical error criteria, and the decomposition method that is the highest effective to performance of wind speed forecasting model is suggested for the studies of obtaining the hybrid wind speed forecasting model.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
