Türkiye'nin günlük rüzgar enerjisi üretiminin derin öğrenme ile modellenmesi

Abstract

Sanayi ve teknolojideki gelişmeler ile birlikte elektriğe olan talep gün geçtikçe artmaktadır. Elektriğin depolanamaması nedeniyle üretim ve tüketim dengesini sağlayabilmek büyük önem arz etmektedir. Bu dengenin korunabilmesi ve doğru politikaların uygulanabilmesi için güçlü bir öngörüye ihtiyaç duyulmaktadır. Güçlü bir öngörüye sahip olabilmek için ise yeterli bilgiye sahip bir veri setine ve istatistiksel modellere ihtiyaç vardır. Bu çalışmada 1 Ocak 2015 tarihinden 23 Ocak 2022 tarihine kadarki TEİAŞ tarafından oluşturulmuş günlük bazda rüzgar enerjisi sayesinde üretilen elektrik yükü miktarını içeren veri seti üzerinde çalışılmıştır. Çalışmanın amacı; Türkiye'deki günlük rüzgar enerjisinden üretilen elektriğin derin öğrenme teknikleri kullanılarak tahmin modelinin oluşturulması ve gerçek değerlere yakın tahmin değerleri üretebilmektir. Derin öğrenme teknikleri birçok tahmin probleminin çözümünde etkili sonuçlar vermektedir ve derin öğrenmenin popülaritesi tüm dünyada hızla artmaktadır. Bu çalışmada ise etkili bir tahmin modeli kurabilmek için Uzun- Kısa Vadeli Bellek (LSTM), İki Yönlü Uzun- Kısa Vadeli Bellek (BLSTM), Kapılı Tekrarlayan Ağ (GRU) ve Evrişimli Sinir Ağı (CNN) algoritmaları kullanılmış ve karşılaştırılmıştır. Algoritmalar çalıştırılırken en iyi performansı tespit etmek için gecikme boyutu (lag size) ve düğüm sayısı (number of nodes) çeşitli kombinasyonlarda test edilmiştir. Önerilen dört algoritmanın performansını değerlendirebilmek için Belirleme Katsayısı , Hata Kare Ortalaması (MSE), Hata Kareler Ortalamasının Karekökü (RMSE) ve Hatanın Mutlak Ortalaması (MAE) kullanılmıştır. Test setindeki tahmin sonuçları performans metrikleri üzerinden değerlendirildiğinde CNN algoritmasının en iyi performansı gösteren algoritma olduğuna karar verilmiştir. CNN algoritmasının en iyi tahmin değeri MAE = 0.0063, MSE = 0.0001, RMSE= 0.0083, R2= 0.9986 olarak hesaplanmıştır.