Prognoza proizvodnje hidroenergije općim cirkulacijskim modelima primjenom tehnika strojnog i dubokog učenja (brana Almus, Turska)
| Autor: | Hesham Majed Al Rayess, Aslı Ülke Keskin |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2021 |
| Předmět: |
Geophysics
Hydroelectricity Computer science business.industry Deep learning renewable energy hydropower machine learning techniques deep learning general circulation model Turkey Artificial intelligence business obnovljiva energija vodna snaga tehnike strojnog učenja duboko učenje opći cirkulacijski model Turska Industrial engineering |
| Zdroj: | Geofizika Volume 38 Issue 1 |
| ISSN: | 1846-6346 0352-3659 |
| Popis: | Renewable energy is one of the most important factors for developed and sustainable societies. However, its utilization in electrical power grid systems can be very challenging regarding rates predictably. Renewable energy depends mainly on environmental conditions such as rainfall-runoff ratios and temperature. Because of that, the expected power production heavily fluctuates, which makes the prediction and calculation of feed-in into the power grid very challenging. The accurate forecasting of energy production is a very crucial issue for power management process. This paper presents the results of deploying Machine Learning Techniques in short-term forecasting of the amount of energy produced of General Circulation Models (GCMs) Data by Almus Dam and Hydroelectric Power Plant in Tokat, Turkey. The study demonstrates the use of modeling techniques in hydropower forecasting process using the predicted monthly hydroelectric power generation data of GCMs from 2018 to 2080. Decision Tree, Deep Learning, Generalized Linear, Gradient Boosted Trees and Random Forest models are utilized to forecast the hydropower production. The results show that the correlation value of the gradient boosted trees model equals 0.717, which means that the gradient boosted trees model is the most successful model for the present data. The gradient boosted trees model used in the prediction process for each GCM in each scenario is 4.5 and 8.5. The results show that there are small differences between the models, which means that the predictions are going in similar directions for all these models. Obnovljiva energija jedan je od najvažnijih čimbenika za razvijena i održiva društva. Međutim, njezina upotreba u elektroenergetskim sustavima može biti vrlo izazovna s obzirom na nepredvidljivost proizvodnje. Obnovljiva energija uglavnom ovisi o uvjetima okoline poput količine oborine, intenziteta otjecanja i temperature zraka. Zbog toga očekivana proizvodnja električne energije jako fluktuira, što prognozu i proračun njenog unosa u elektroenergetsku mrežu čini vrlo izazovnim zadatkom. Točno predviđanje proizvodnje energije iznimno je važno za proces upravljanja energijom. U ovom radu se predstavljaju rezultati primjene tehnika strojnog učenja u kratkoročnom predviđanju količine proizvedene energije na temelju rezultata općih modela cirkulacije (GCM) za branu i hidroelektranu Almus blizu naselja Tokat u Turskoj. Studija prikazuje upotrebu tehnika modeliranja u procesu prognoze proizvodnje hidroenergije pomoću prognoziranih mjesečnih podataka GCM-a o proizvodnji hidroelektrana u razdoblju od 2018. do 2080. Za prognozu proizvodnje hidroenergije korišteni su modeli: dijagrama odlučivanja, dubinskog učenja, generalizirani linearni, dijagrama pojačanih nagiba i dijagrama slučajnih grana. Vrijednost korelacije s modelom dijagrama pojačanih nagiba iznosi 0,717, što znači da je to najuspješniji model za korištene podatke. Model dijagrama pojačanih nagiba korišten je u svakom GCM-u za dva scenarija: RCP4.5 i RCP8.5. Rezultati pokazuju da postoje male razlike između modela, što znači da predviđanja idu u sličnim smjerovima za sve ove modele |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|