KaydedilenlerDerginizi ekleyin

Dergiler / Bitlis Eren Üniversitesi Fen Bilimleri Dergisi / 2019 / Cilt: 8 - Sayı: 3

Diferansiyel Gelişim Algoritma Tabanlı Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi ile Kısa Dönem Rüzgar Hızı Kestirimi

Short-Term Wind Speed Forecasting Using Adaptive Neuro-Fuzzy Inference System Based on Differential Evolution Algorithm

Emrah DOKUR
Uğur YÜZGEÇ
Mehmet KURBAN
Sayfa
1057–1068
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca önerilen hibrit modelin performansı literatürde iyi bilinen Levenberg-Marquardtalgoritması ile eğitilen ileri beslemeli yapay sinir ağı (ANN) sonuçları ile de karşılaştırılarak yorumlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Üretim planlaması ve güç sistemlerinin yönetilmesi açısından rüzgar enerji sistemlerinden üretilecek elektrikenerjisinin belirli periyotlar için tahmin edilmesi gerekmektedir.
📊
Temel Bulgular & Veri:Bu kapsamda, asimetrik ve kararsız yapıdakirüzgar hızı verilerinin hassas bir şekilde tahmin edilebilmesi için bir çok farklı rüzgar hızı kestirim yaklaşımlarıönerilmiştir.
💡
Sonuç & Katkı:Ayrıca önerilen hibrit modelin performansı literatürde iyi bilinen Levenberg-Marquardtalgoritması ile eğitilen ileri beslemeli yapay sinir ağı (ANN) sonuçları ile de karşılaştırılarak yorumlanmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Üretim planlaması ve güç sistemlerinin yönetilmesi açısından rüzgar enerji sistemlerinden üretilecek elektrikenerjisinin belirli periyotlar için tahmin edilmesi gerekmektedir. Bu kapsamda, asimetrik ve kararsız yapıdakirüzgar hızı verilerinin hassas bir şekilde tahmin edilebilmesi için bir çok farklı rüzgar hızı kestirim yaklaşımlarıönerilmiştir. Bu çalışma kapsamında, diferansiyel gelişim algoritması (DE) yaklaşımı ile optimize edilenuyarlamalı sinirsel bulanık çıkarım sistemi (ANFIS) kullanılarak kısa dönemli (1 saat) rüzgar hızı tahmin modellerigeliştirilmiştir. Çalışma kapsamında ele alınan yöntemde, diferansiyel gelişim sezgisel yaklaşımı kullanarakmodel parametreleri kısa dönemli rüzgar hızı tahmini için belirlenmiş ve karşılaştırmalı olarak analiz edilmiştir.Önerilen yaklaşımın tahmindeki performans kriterlerini doğrulamak için Bilecik ilinde bulunan bir gözlemistasyonundaki rüzgar hızı serileri kullanılmıştır. ANFIS model parametrelerinin optimizasyonunda kullanılansezgisel algoritma 10 kez tekrarlı bağımsız olarak çalıştırılmış ve eğitim-test performans sonuçları istatistikselolarak sunulmuştur. Ayrıca önerilen hibrit modelin performansı literatürde iyi bilinen Levenberg-Marquardtalgoritması ile eğitilen ileri beslemeli yapay sinir ağı (ANN) sonuçları ile de karşılaştırılarak yorumlanmıştır.

Abstract

The electrical energy to be produced from wind energy systems should be estimated for some periods in order to generation planning and power systems management. In this context, many different wind speed forecasting approaches have been proposed for accurate estimation of asymmetric and unstable wind speed data. In this paper, short-term (1h) wind speed forecasting models have been developed by using Adaptive Neuro Fuzzy Inference System (ANFIS) based on Differential Evolution Algorithm (DE). In this paper, the model parameters have been determined by differential evolution heuristic approach for short-term wind speed forecasting and analyzed comparatively. To validate the effectiveness of the proposed approach, wind speed series collected from a wind observation station located in Bilecik, Turkey are used in the short-term wind speed forecasting. The meta-heuristic algorithm used in the optimization of ANFIS model parameters are run 10 times independently and the performance results are calculated statistically for training and test phases of ANFIS model. The performances of proposed hybrid models are also compared with the well-known feed forward ANN model which is trained by Levenberg-Marquardt in the literature.

🔖

Bu Makaleye Atıf Yap

DOKUR, E., YÜZGEÇ, U., KURBAN, M. (2022). Diferansiyel Gelişim Algoritma Tabanlı Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi ile Kısa Dönem Rüzgar Hızı Kestirimi. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Cilt: 8 - Sayı: 3, 1057–1068. https://ajindex.com/articles/467021

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Dinçer F., Rüstemli S., Yılmaz Ş., Çıngı A. 2017. Kilis İli İçin Farklı Yüksekliklerdeki Rüzgâr Potansiyelinin Belirlenmesi. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6 (1): 12-20
  2. GWEC. 2017. Global Wind Report Annual Market Update, Global Wind Energy Council
  3. Turkish Wind Energy Association, Turkish Wind Energy Statistics Report, 2018
  4. Redlinger R., Andersen P., Morthorst P. 2016.Wind Energy in the 21st Century: Economics, Policy, Technology and the Changing Electricity Industry, Springer
  5. Deo R.C., Ghorbani M.A., Samadianfard S., Maraseni T., Bilgili M., Biazar M. 2018. Multi-layer perceptron hybrid model integrated with the firefly optimizer algorithm for wind speed prediction of target site using a limited set of neighboring reference station data. Renewable Energy, 116 (2018): 309-323
  6. Su Z., Wang J., Lu H., Zhao G. 2014. A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting. Energy Conversion and Management, 85 (2014): 443-452
  7. Liu H., Chen C., Tian H.Q., Li Y.F. 2012. A hybrid model for wind speed prediction using empirical mode decomposition and artificial neural networks. Renewable Energy, 48 (2012): 545- 556
  8. Liu H., Tian H.Q., Pan D.F., Li Y.F. 2013. Forecasting models for wind speed using wavelet, wavelet packet, time series and Artificial Neural Networks. Applied Energy, 107 (2013): 191- 208
  9. Guo Z., Chi D., Wu J., Zhang W. 2014. A new wind speed forecasting strategy based on the chaotic time series modelling technique and the Apriori algorithm. Energy Conversion and Management 84 (2014): 140-151
  10. Zhang C., Wei H., Zhao X., Liu T., Zhang K. 2016. A Gaussian process regression based hybrid approach for short-term wind speed prediction. Energy Conversion and Management, 126 (2016): 1084-1092
  11. Hu J., Wang J., Ma K. 2015. A hybrid technique for short-term wind speed prediction. Energy, 81 (2015): 563-574
  12. Hu J., Wang J., Zeng G. 2013. A hybrid forecasting approach applied to wind speed time series. Renewable Energy, 60 (2013): 185-194
  13. Rahmani R., Yusof R., Seyedmahmoudian M., Mekhilef S. 2013. Hybrid technique of ant colony and particle swarm optimization for short-term wind energy forecasting., Journal of Wind Engineering and Industrial Aerodynamics 123 (2013): 163-170
  14. Kassa Y., Zhang J.H., Zheng D.H., Wei D. 2016. A GA-BP hybrid algorithm based ANN model for wind power prediction. Smart Energy Grid Engineering (SEGE) IEEE, 2016. [15]