KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2021 / Ejosat Özel Sayı 2021 (HORA)

Geliştirilmiş EEMD-EWT Tabanlı Yapay Sinir Ağı Modeli Kullanarak Çok Adımlı Rüzgar Hızı Tahmini

Multi-Step Wind Speed Estimation Using Improved EEMD-EWT Based Artificial Neural Network Model

Cem EMEKSİZ
Mustafa TAN
Sayfa
165–173
Yayın Tarihi
2021-07-31
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)

Önerilen modelin birbirinden bağımsız teknikler kullanılarak yapılan tekil ayrıklaştırmaya göre çok daha doğru ve güvenilir sonuçlar verdiği tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Rüzgar hızı tahminlemesi rüzgar güç dönüşüm sistemleri için oldukça önemlidir.
📊
Temel Bulgular & Veri:Önerilen hibrit model, yüksek hassasiyetli rüzgar hızı tahminleri için güvenilir, güçlü ve etkili olduğu kadar veri madenciliği uygulamalarında da kolaylıkla kullanılabilir.
💡
Sonuç & Katkı:Önerilen modelin birbirinden bağımsız teknikler kullanılarak yapılan tekil ayrıklaştırmaya göre çok daha doğru ve güvenilir sonuçlar verdiği tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Rüzgar hızı tahmini · Hibrit model · Topluluk ampirik mod ayrıştırma

Özet

Rüzgar hızı tahminlemesi rüzgar güç dönüşüm sistemleri için oldukça önemlidir. Bu çalışmada kısa vadeli rüzgar hızı tahminlemesi için hibrit bir ayrıklaştırma yöntemi önerilmiştir. Önerilen yöntemde Toplu ampirik mod ayrıştırma (Ensemble Empirical Mode Decomposition, EEMD) ve Ampirik dalgacık dönüşümü (Emprical wavelet transform, EWT) birlikte kullanılmıştır. İlk defa kullanılan bu kombinasyon sonucunda elde edilen ayrıklaştırılmış rüzgar hızı sinyalleri kısmi otokorelasyon fonksiyonu (Partial autocorrelation function, PACF) ile öznitelik çıkarma işlemine tabi tutulmuştur. Elde edilen öznitelikler, geri beslemeli sinir ağına (Back propagation neural networks, BPNN) uygulanmak suretiyle çok adımlı rüzgar hız tahminleme işlemi gerçekleştirilmiştir. Önerilen modelin birbirinden bağımsız teknikler kullanılarak yapılan tekil ayrıklaştırmaya göre çok daha doğru ve güvenilir sonuçlar verdiği tespit edilmiştir. Çalışmada kullanılan veriler Tokat Gaziosmanpaşa Üniversitesi Taşlıçiftlik Kampüsü içerisinde kurulan ölçüm istasyonundan toplanmıştır. Önerilen hibrit model, yüksek hassasiyetli rüzgar hızı tahminleri için güvenilir, güçlü ve etkili olduğu kadar veri madenciliği uygulamalarında da kolaylıkla kullanılabilir. Tahmin performansının genel tahmin doğruluğu yaygın olarak kullanılan üç genel hata değerlendirme endeksi olan determinasyon katsayısı (determination coefficient (R2), ortalama mutlak yüzde hata (mean absolute percent error (MAPE) ve ortalama karekök hata (root mean square error (RMSE)) ile gerçekleştirildi.

Abstract

Wind speed estimation is very important for wind power conversion systems. In this study, a hybrid discretization method is proposed for short-term wind speed estimation. In the proposed method, Ensemble Empirical Mode Decomposition (EEMD) and Empirical wavelet transform (EWT) are used together. Discretized wind speed signals obtained as a result of this combination used for the first time were subjected to feature extraction process with partial autocorrelation function (PACF). The multi-step wind speed estimation process has been carried out by applying the obtained features to the feedback neural network (Back propagation neural networks, BPNN). It has been determined that the proposed model gives much more accurate and reliable results than the singular discretization using independent techniques. The data used in the study were collected from the measurement station established in Tokat Gaziosmanpaşa University Taşlıçiftlik Campus. The proposed hybrid model is reliable, powerful and effective for high precision wind speed predictions, as well as easily used in data mining applications. The overall prediction accuracy of the prediction performance was achieved with the three commonly used general error rating indices: determination coefficient (R2), mean absolute percent error (MAPE) and root mean square error (RMSE).

🔖

Bu Makaleye Atıf Yap

EMEKSİZ, C., TAN, M. (2021). Geliştirilmiş EEMD-EWT Tabanlı Yapay Sinir Ağı Modeli Kullanarak Çok Adımlı Rüzgar Hızı Tahmini. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2021 (HORA), 165–173. https://ajindex.com/articles/471279

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Aghajani, A., Kazemzadeh, R., & Ebrahimi, A. (2016). A novel hybrid approach for predicting wind farm power production based on wavelet transform, hybrid neural networks and imperialist competitive algorithm. Energy Conversion and Management, 121, 232-240.
  2. Cadenas, E., & Rivera, W. (2009). Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, 34(1), 274-278.
  3. Emeksiz, C., & Demir, G. (2018). An investigation of the effect of meteorological parameters on wind speed estimation using bagging algorithm. International Journal of Intelligent Systems and Applications in Engineering, 6(4), 311-321.
  4. Gilles, J. (2013). Empirical wavelet transform. IEEE transactions on signal processing, 61(16), 3999-4010.
  5. Guo, Z., Zhao, W., Lu, H., & Wang, J. (2012). Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model. Renewable Energy, 37(1), 241-249.
  6. He, Q., Wang, J., & Lu, H. (2018). A hybrid system for short-term wind speed forecasting. Applied Energy, 226, 756-771.
  7. Hu, J., Wang, J., & Ma, K. (2015). A hybrid technique for short-term wind speed prediction. Energy, 81, 563-574.
  8. Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N. C., Tung, C. C., & Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences, 454(1971), 903-995.
  9. Jiang, P., & Li, C. (2018). Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting. Measurement, 124, 395-412.
  10. Liu, H., Mi, X., & Li, Y. (2018). Comparison of two new intelligent wind speed forecasting approaches based on wavelet packet decomposition, complete ensemble empirical mode decomposition with adaptive noise and artificial neural networks. Energy Conversion and Management, 155, 188-200.
  11. Liu, H., Tian, H. Q, Liang, X. F., & Li, Y. F. (2015). Wind speed forecasting approach using secondary decomposition algorithm and Elman neural networks. Applied Energy, 157, 183-194.
  12. Liu, H., Wu, H., & Li, Y. (2018). Smart wind speed forecasting using EWT decomposition, GWO evolutionary optimization, RELM learning and IEWT reconstruction. Energy Conversion and Management, 161, 266-283.
  13. Ozbay, Y., & Karlik, B. (2002). A fast training back-propagation algorithm on windows. Proceedings of the Thi