Rüzgâr Enerji Santral Üretim Tahmininde Kullanılan Meteorolojik Veriler için En Uygun İçsel Mod Fonksiyonunun Belirlenmesi: İzmir Örneği

Yıl 2025, ERKEN GÖRÜNÜM, 1 - 1

İsrafil Karadöl

https://doi.org/10.2339/politeknik.1636813

Öz

Yapılan bu çalışmanın amacı rüzgâr enerji santral (RES) üretimlerinin uzun kısa dönem bellek (LSTM) modeli girişi parametreleri olarak kullanılan meteorolojik veriler için en uygun içsel mod fonksiyonlarının belirlenmesidir. Bu amaçla ilk olarak İzmir ilinin 2022 yılı meteorolojik verileri ve RES üretim verileri elde edilmiştir. Elde edilen meteorolojik veriler Empirik Mod Ayrıştırma metodu kullanılarak 8 farklı içsel mod fonksiyonuna (İMF) dönüştürülmüştür. 8 farklı meteorolojik İMF’ler LSTM modelinde giriş olarak kullanılarak 2 saat sonraki RES üretimlerininim tahmin edilmesi amaçlanmıştır. LSTM modeli ile elde edilen RES üretim tahminlerinin performansını değerlendirmek amacıyla regresyon analizi (R2), ortalama mutlak hata (MAE), ortalama karesel hata (MSE) ve ortalama karesel hata kökü (RMSE) metrikleri kullanılmıştır. Bu metriklere göre test veri seti ile LSTM modeli kullanılarak en iyi RES üretim tahmini İMF1-İMF5 içsel mod fonksiyonun da gerçekleştirilmiştir. İMF1-İMF5 giriş verilerine göre MEA, MSE, RMSE ve R2 performans metrikleri sırasıyla 0.079, 0.014, 0.119 ve 0.848 olarak hesaplanmıştır. Test veri seti üzerinden ham veri ile İMF1-İMF5 arasındaki MEA, MSE, RMSE ve R2 performans metriklerini karşılaştırdığımızda, ham veriye göre MEA, MSE ve RMSE metrikleri sırasıyla %56, %74 ve %49 azalmıştır. R2 ise %204 artmıştır. Elde edilen tüm bu sonuçlar meteorolojik veriler ile LSTM ağ mimarisinde RES üretim tahmini için en uygun içsel mod fonksiyonunun İMF1-İMF5 olduğunu göstermektedir.

Anahtar Kelimeler

Rüzgâr Enerji Santrali, Uzun Kısa Dönem Bellek, Empirik Mod Ayrıştırma, İçsel Mod Fonksiyonu

Determination of the Most Appropriate Intrinsic Mode Function for Meteorological Data Used in Wind Power Plant Generation Forecasting: The Case of İzmir

Öz

This study aims to determine the most appropriate intrinsic mode functions for meteorological data used as input parameters of the Long Short Term Memory (LSTM) model of wind power plant (WPP) generation. For this purpose, meteorological data and WPP generation data for the year 2022 of Izmir province were obtained. The obtained meteorological data were transformed into 8 different intrinsic mode functions (IMF) using the Empirical Mode Decomposition method. 8 different meteorological IMF’s are input to the LSTM model to predict the RES generation 2 hours ahead. Regression analysis (R2), mean absolute error (MAE), mean squared error (MSE), and root mean squared error (RMSE) metrics were used to evaluate the performance of the RES generation forecasts obtained with the LSTM model. According to these metrics, the best RES generation prediction using the LSTM model with the test data set was determined in the IMF1-IMF5 internal mode function. According to the input data of IMF1-IMF5, the performance metrics of MEA, MSE, RMSE, and R2 are calculated as 0.079, 0.014, 0.119, and 0.848, respectively. When we compare the MEA, MSE, RMSE, and R2 performance metrics between raw data and IMF1-IMF5 over the test dataset, the MEA, MSE, and RMSE metrics decreased by 56%, 74%, and 49% respectively compared to the raw data. R2 increased by 204%. All these results show that IMF1-IMF5 is the most suitable IMF for RES generation forecasting in LSTM network architecture with meteorological data.

Anahtar Kelimeler

Wind Power Plant, Long Short Term Memory, Empirical Mode Decomposition, Intrinsic Mode Function

Kaynakça

• [1] Karadöl İ., Yıldız C., and Şekkeli M., “Determining optimal spatial and temporal complementarity between wind and hydropower,” Energy, vol. 230, (2021).
• [2] Cui Y., Chen Z., He Y., Xiong X., and Li F., “An algorithm for forecasting day-ahead wind power via novel long short-term memory and wind power ramp events,” Energy, vol. 263, no. PC, p. 125888, (2023).
• [3] Saxena B. K., Mishra S., and Rao K. V. S., “Offshore wind speed forecasting at different heights by using ensemble empirical mode decomposition and deep learning models,” Appl. Ocean Res., vol. 117, no. May, p. 102937, (2021).
• [4] Kaysal K., Yurttakal A. H., and Hocaoğlu F. O., “Hibrit derin öğrenme yöntemi kullanılarak hiperparametre optimizasyonu ile yenilenebilir elektrik enerjisi tahmini,” Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilim. Derg., vol. 12, no. 3, pp. 770–777, (2023).
• [5] Shen Z., Fan X., Zhang L., and Yu H., “Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network,” Ocean Eng., vol. 254, no. May, p. 111352, (2022).
• [6] Sun Y., Wang X., and Yang J., “Modified Particle Swarm Optimization with Attention-Based LSTM for Wind Power Prediction,” Energies, vol. 15, no. 12, (2022).
• [7] Li J., Song Z., Wang X., Wang Y., and Jia Y., “A novel offshore wind farm typhoon wind speed prediction model based on PSO–Bi-LSTM improved by VMD,” Energy, vol. 251, p. 123848, (2022).
• [8] Wang D., Cui X., and Niu D., “Wind Power Forecasting Based on LSTM Improved by EMD-PCA-RF,” Sustain., vol. 14, no. 12, (2022).
• [9] Zhang F., Guo Z., Sun X., and Xi J., “Short-term wind power prediction based on EMD-LSTM combined model,” IOP Conf. Ser. Earth Environ. Sci., vol. 514, no. 4, (2020).
• [10] Ding Y., Ye X. W., and Guo Y., “A Multistep Direct and Indirect Strategy for Predicting Wind Direction Based on the EMD-LSTM Model,” Struct. Control Heal. Monit., vol. 2023, (2023).
• [11] Chen Y. et al., “Short-term wind speed predicting framework based on EEMD-GA-LSTM method under large scaled wind history,” Energy Convers. Manag., vol. 227, no. October 2020, p. 113559, (2021).
• [12] Ai X., Li S., and Xu H., “Wind speed prediction model using ensemble empirical mode decomposition, least squares support vector machine and long short-term memory,” Front. Energy Res., vol. 10, no. January, pp. 1–12, (2023).
• [13] Yang Y. and Yang Y., “Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and bayesian ridge regression,” IEEE Access, vol. 8, pp. 71206–71218, (2020).
• [14] Lotfipoor A., Patidar S., and Jenkins D. P., “Deep neural network with empirical mode decomposition and Bayesian optimisation for residential load forecasting,” Expert Syst. Appl., vol. 237, no. PA, p. 121355, (2024).
• [15] Yildiz C., Acikgoz H., Korkmaz D., and Budak U., “An improved residual-based convolutional neural network for very short-term wind power forecasting,” Energy Convers. Manag., vol. 228, Jan. (2021).
• [16] Jaseena K. U. and Kovoor B. C., “Decomposition-based hybrid wind speed forecasting model using deep bidirectional LSTM networks,” Energy Convers. Manag., vol. 234, no. November (2020), p. 113944, (2021).
• [17] Aladağ E., “Ampirik Mod Ayrıştırmasına Dayalı ARIMA Modeli Kullanılarak Van İli Hava Kirliliğinin Tahmini,” Yüzüncü Yıl Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 28, no. 2, pp. 495–509, (2023).
• [18] Dişili F., Gedikpinar M., and Şengür A., “Kırık Rotor Çubuğu Sayısının Ampirik Mod Ayrışımı v e Makine Öğrenmesi Yaklaşımları İle Belirlenmesi,” Fırat Üniversitesi Müh. Bil. Derg., vol. 35, no. 2, pp. 783–795, (2023).
• [19] Bekçioğulları M. F., Dikici B., Açıkgöz H., and Keçecioğlu Ö. F., “Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması,” EMO Bilim. Dergi, vol. 11, no. 22, pp. 37–45, (2021).
• [20] Bokde N., Feijóo A., Al-Ansari N., Tao S., and Yaseen Z. M., “The hybridization of ensemble empirical mode decomposition with forecasting models: Application of short-term wind speed and power modeling,” Energies, vol. 13, no. 7, pp. 1–23, (2020).
• [21] Yu M., “Short-term wind speed forecasting based on random forest model combining ensemble empirical mode decomposition and improved harmony search algorithm,” Int. J. Green Energy, vol. 17, no. 5, pp. 332–348, (2020).
• [22] Jiang T. and Liu Y., “A short-term wind power prediction approach based on ensemble empirical mode decomposition and improved long short-term memory,” Comput. Electr. Eng., vol. 110, no. March, p. 108830, (2023).
• [23] Xu Y. et al., “Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation,” J. Hydrol., vol. 608, no. August 2020, p. 127553, (2022).
• [24] Ewees A. A., Al-qaness M. A. A., Abualigah L., and Elaziz M. A., “HBO-LSTM: Optimized long short term memory with heap-based optimizer for wind power forecasting,” Energy Convers. Manag., vol. 268, no. May, p. 116022, (2022).