| Popis: |
Bu tez çalışması, çok katmanlı ileri istatistiksel yöntemler kullanarak rüzgârdan üretilen elektriksel gücün kısa dönemli tahminini yapmayı ve rüzgâr gözlem istasyonlarının (RWM) ölçüm verileri ile sayısal hava tahmin modellerinin (NWP) verileri arasında korelasyon kurarak ve rüzgâr örüntü tanıma teknikleri kullanarak tahminlerin iyileştirilmesini amaçlamaktadır. Bu çalışmalar iki temel bölüme ayrılmıştır.Tezin ilk bölümünde, gerçek zamanlı rüzgârdan üretilen elektriksel gücün tahmini için, Yapay Sinir Ağları (ANN) ve Destek Vektör Makinaları (SVM) modellerinin kombinasyonuna dayalı çok katmanlı, ileri istatistiksel bir metot geliştirilmiştir. Birinci aşamada, farklı NWP modellerinden gelen rüzgâr hızı ve rüzgâr yönü verileri, çok sayıdaki grid arasından en iyisi seçilerek, geliştirilen rüzgârdan üretilen elektriksel güç tahmin modellerinin eğitim ve testinde kullanılır. İkinci aşamada, her bir NWP verisi için, ANN ve SVM modelleri ayrı ayrı uygulanır. Tahmin hataları model çıktı istatistikleri (MOS) uygulanarak düzeltilir ve 48-saat öncesi rüzgârdan üretilen farklı elektriksel güç tahminleri uygun ağırlıklandırma faktörleri ile kombine edilerek, rüzgârdan üretilen elektriksel gücün 48-saat öncesi ara tahminleri elde edilir. Son aşamada, bu tahmin verileri tekrar kombine edilerek nihai tahminler oluşturulur. Önerilen model, Türkiye'deki 25 Rüzgâr Enerjisi Santralinde (WPP) başarılı bir şekilde test edilmiş ve özellikle dağınık rüzgâr rejimli karmaşık arazilerdeki WPP'lerde referans modellere oranla çok daha başarılı kısa-dönem rüzgâr gücü üretimi tahmin sonuçları vermiştir. Tezin ikinci bölümünde ise, kısa-dönem rüzgârdan üretilen elektriksel güç tahminlerini iyileştirmek amacıyla, NWP rüzgâr verisini WPP sahasına indirgemek için RWM ile NWP veri korelasyonu ve rüzgâr örüntü tanıma tekniğine dayalı yeni bir istatistiksel yaklaşım önerilmiştir. Bu amaçla ilk olarak Adaptif Arttırma (AdaBoost) makine öğrenme algoritması kullanılarak her bir WPP çevresindeki NWP verileri grid kümesi arasından uygun meteorolojik grid verisi elde edilir. Daha sonra kombine edilmiş grid verisi sınıflandırılır ve NWP verisi ile RWM ölçümleri arasındaki korelasyon bulunur. Diğer taraftan, rüzgâr örüntüleri arasındaki ilişkiyi öğrenmek üzere her bir sınıf için ANN/SVM modeli oluşturulur. Bu rüzgârdan-rüzgâra aşamasının çıktıları, rüzgârdan-güce aşamasında ardışık istatistiksel ANN/SVM kümeleri uygulanarak, ham, kısa-dönem 48-saat öncesi rüzgârdan üretilen elektriksel güç tahminleri elde edilir. MOS kullanılarak sistematik hatalar elimine edilir ve ağırlıklandırılmış ortalama kombinasyon metodu ile nihai 48-saat öncesi rüzgârdan üretilen elektriksel güç tahminleri elde edilir. Önerilen bu model, kurulu güçleri yaklaşık 10 MW ile 200 MW arasında olan yedi WPP'ye uygulanmıştır. Elde edilen rüzgârdan üretilen elektriksel güç tahmin sonuçları, referans modeller ve herhangi bir rüzgâr örüntü tanıma ya da RWM ölçümleri kullanarak NWP veri düzeltmesi kullanmayan diğer istatistiksel modellerle karşılaştırılmıştır. Geliştirilen modelin, iki yıllık ortalama eğitim periyodu ve altı aylık bir test periyodunda, rüzgârdan üretilen elektriksel güç tahminlerinin normalize edilmiş ortalama mutlak hatası üzerinde geleneksel metotlara oranla % 5.1'e kadar bir iyileştirme getirdiği görülmüştür. This thesis aims at forecasting short-term wind-electric power by using multi-stage advanced statistical methods and to improve these forecasts by using Reference Wind Mast (RWM) measurements correlations with Numerical Weather Prediction (NWP) and wind pattern recognition techniques. This thesis work is divided into two parts.In the first part of the thesis, a multi-stage, advanced statistical method has been proposed for the real-time wind electric power generation forecast, based on a combination of Artificial Neural Network (ANN) and Support Vector Machine (SVM) models. In the first stage, the best grid output data of wind speed and wind direction from different NWP models are chosen among a set of grid points, and used for training and testing the developed wind-electric power forecast models. In the second stage, for each NWP data, ANN and SVM models are applied separately. The forecast errors are corrected by applying Model Output Statistics (MOS) and different 48-hour ahead forecasts of wind-electric power are combined by appropriate weighting factors to obtain an intermediate 48-hour ahead forecast of the electrical power generated from wind. Finally, these forecast data are recombined to give an ultimate forecast. The proposed model is tested on 25 Wind Power Plants (WPPs) satisfactorily and it performs better than the reference models in terms of short-term wind power generation forecast accuracy, especially for WPPs in complex terrains with a scattered wind regime.In the second part of the thesis, a new statistical approach has been proposed for improved, short-term wind-electric power forecasts of WPPs based on a new wind pattern recognition technique, and RWM data correlations with NWP to localize wind data to the given WPP site. For this purpose, first, NWP data are combined by Adaptive Boosting (AdaBoost) machine learning algorithm, to provide a proper combination of meteorological grid data from a set of grids around each WPP. Then, combined grid data are clustered and the correlation between NWP data and RWM measurements are found. On the other hand, for each cluster, ANN/SVM model is constructed to learn the relationship between the wind patterns. The outputs of this wind-to-wind stage are used to obtain raw, short-term 48-hour ahead wind-electric power forecasts via the consecutive statistical ANN/SVM sets applied in wind-to-power stage. The systematic errors are eliminated by applying MOS, and a weighted average combination method is used to obtain the final 48-hour ahead wind-electric power forecasts. The proposed model has been successfully applied to seven WPPs, with installed capacities in the range from 10 MW to 200 MW. The wind-electric power forecast results of the proposed approach have been compared to the reference benchmark models and other statistical models, which do not use any wind pattern recognition, or NWP data correction via RWM measurements. It has been shown that the proposed model, brings an improvement up to 5.1% on the normalized mean absolute error of wind-electric power forecasts, for an average training period of two years and a test period of six months for the given WPPs as compared to conventional methods. 116 |
