İkincil ayrıştırma tekniği kullanarak yapay sinir ağı temelli çok adımlı rüzgar hızı tahmini

Abstract

Son yıllarda, elektrik enerji şebekelerine rüzgar enerjisi üretimini entegre etmenin önemi hızla artmaktadır. Elektrik şebekesi içine rüzgar enerjisini entegre etmenin en büyük zorluğu, rüzgar enerjisinin değişkenliği ve süreksizliğidir. Bu durumla başa çıkmak için en iyi yaklaşım, rüzgar enerjisi üretiminin gelecekteki değerlerini tahmin etmektir. Yüksek doğrulukları ile rüzgar hızı tahmin yöntemleri bu sorunları en aza indirmek için kullanılabilecek etkili bir araçtır. Bu çalışmada model olarak veri ön işleme, kümeleme, tahmin ve değerlendirme olmak üzere 4 modülden oluşan hibrit bir tahmin sistemi önerilmiştir. Çalışmada kullanılan rüzgar hızı verilerini Gaziosmanpaşa Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi yerleşkesinde kurulan rüzgar ölçüm istasyonundan elde edilmiştir. Bu istasyonda kullanılan sensörler aracılığı ile ölçülen rüzgar hızı verileri 10'ar dakika ara ile toplanmış olup bir yıllık veriler üzerinde çalışma yapılmıştır. Önerilen model, veri ön işlemede, ham veri serisi içindeki gürültünün etkisini azaltmak ve özellikleri çıkartmak için yüksek frekanslı sinyallerin kaldırılmasında ayrıştırma teknikleri, veri kümeleme modülünde rüzgar hızı verileri içindeki benzerlik özelliğini çıkarmak için hurst üstel katsayısı, geri yayılımlı yapay sinir ağlarını içeren tahmin modelleri ve yüksek dereceli ve prestijli olarak yayınlanan en son araştırma bulgularına (MAPE, RMSE, R²) dayanmaktadır. Analiz sonuçları önerilen yenilikçi hibrit modelin tahmin doğruluğu açısından karşılaştırılan geleneksel tahmin modellerinden (EEMD-VDM-BPNN and EEMD-EWT-BPNN) daha iyi performans göstermektedir. Önerilen hibrit modelde elde edilen MAPE değerleri kıyaslandığında geleneksel modellerde elde edilenlere göre sırasıyla %41.16 ve %78.80 azalmıştır.

In recent years, the importance of integrating the production of wind energy into electrical energy networks has been increasing rapidly. The biggest challenge to integrate wind energy into the power grid wind power is variability and discontinuity. To deal with this situation, the best approach is to predict future values of wind power production. Wind speed estimation methods with high accuracy are an effective tool that can be used to minimize these problems. In this study, a hybrid estimation system consisting of 4 modules as data preprocessing, clustering, estimation and evaluation has been proposed as a model. The meteorological parameters used in the study were obtained from the wind measurement station build in the campus of Engineering and Nature Science Faculty in Gaziosmanpaşa University. The wind speed was measured in the 10 minutes intervals via cencors used in this station and one-year data was included in the analysis. The proposed model is based on decomposition techniques for the elimination of high frequency signals to reduce the effect of noise in the raw data series and to extract features in data preprocessing, the hurst exponential coefficient in order to extract the similarity property in the wind speed data in the data clustering modüle, prediction models involving back propagation artificial neural networks and the latest research findings (MAPE, RMSE, R²) published in high grade and prestigious. The results of the analysis perform better than the traditional prediction models (EEMD-VDM-BPNN and EEMD-EWT-BPNN) compared in terms of predictive accuracy of the proposed innovative hybrid model. When the MAPE values obtained in the proposed hybrid model are compared, they are decreased by 41.16% and 78.80%, respectively, compared to those obtained in traditional models.