KaydedilenlerDerginizi ekleyin

Dergiler / Sakarya University Journal of Science / 2018 / Cilt: 22 Sayı: 1

İstatistiksel metotlar ve yapay sinir ağları kullanarak kısa dönem çok adımlı rüzgâr hızı tahmini

Short-term multi-step wind speed prediction using statistical methods and artificial neural networks

İsmail KIRBAŞ
Sayfa
24–38
Yayın Tarihi
2018-02-01
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)

Literatürde yer alan rüzgâr hızı tahmin çalışmaları genellikle sadece tek adım tahmin başarısı üzerinde yoğunlaşırken, önerilen çalışmada sık kullanılan tahmin metotlarının ileriye dönük 12 adım seviyesinde ayrıntılı değerlendirilmeleri gerçekleştirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada TÜBİTAK T60 ulusal gözlem evi meteoroloji istasyonunun 2016 yılı nisan ayı içerisinde yaptığı gözlem sonuçları PHP programlama dili kullanılarak web sitesi üzerinden derlenmiştir.
📊
Temel Bulgular & Veri:Yapılan hesaplamalar ve gerçek veriler ile kıyaslamalar sonucunda incelenen ARIMA modelleri ve yapay sinir ağları arasında belirgin bir hata oranı farkı görülmüştür.
💡
Sonuç & Katkı:Literatürde yer alan rüzgâr hızı tahmin çalışmaları genellikle sadece tek adım tahmin başarısı üzerinde yoğunlaşırken, önerilen çalışmada sık kullanılan tahmin metotlarının ileriye dönük 12 adım seviyesinde ayrıntılı değerlendirilmeleri gerçekleştirilmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:2016 Verileri
⚙️Değişkenler:Rüzgâr hız tahmini · ARIMA · NAR

Özet

Bu çalışmada TÜBİTAK T60 ulusal gözlem evi meteoroloji istasyonunun 2016 yılı nisan ayı içerisinde yaptığı gözlem sonuçları PHP programlama dili kullanılarak web sitesi üzerinden derlenmiştir. Elde edilen rüzgâr hızı verileri istatistiksel ve yapay sinir ağı metotları kullanılarak incelenmiş ve meydana getirilen zaman serisi üzerinden ileriye yönelik rüzgâr hızı kestirimlerinde bulunulmuştur. Yapılan hesaplamalar ve gerçek veriler ile kıyaslamalar sonucunda incelenen ARIMA modelleri ve yapay sinir ağları arasında belirgin bir hata oranı farkı görülmüştür. Literatürde yer alan rüzgâr hızı tahmin çalışmaları genellikle sadece tek adım tahmin başarısı üzerinde yoğunlaşırken, önerilen çalışmada sık kullanılan tahmin metotlarının ileriye dönük 12 adım seviyesinde ayrıntılı değerlendirilmeleri gerçekleştirilmiştir.

Abstract

The results of the observations made by TUBITAK T60 national observation house meteorological station in April, 2016 were compiled on this website using the PHP programming language. Obtained wind speed data were analysed using statistical and artificial neural network methods and predicted wind speed predictions over the time series brought to the field. There is a significant difference in error rates between the ARIMA models and the artificial neural networks examined as a result of comparisons with the calculated calculations and actual data. While the wind speed estimation studies in the literature generally focus only on single step prediction success, detailed evaluation of commonly used estimation methods at the prospective 12 step level has been carried out.

🔖

Bu Makaleye Atıf Yap

KIRBAŞ, İ. (2018). İstatistiksel metotlar ve yapay sinir ağları kullanarak kısa dönem çok adımlı rüzgâr hızı tahmini. Sakarya University Journal of Science, Cilt: 22 Sayı: 1, 24–38. https://ajindex.com/articles/942249

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. A. Kerem, I. Kirbas, and A. Saygın, “Performance Analysis of Time Series Forecasting Models for Short Term Wind Speed Prediction,” presented at the International Conference on Engineering and Natural Sciences (ICENS), 2016, pp. 2733–2739
  2. İ. Kırbaş and A. Kerem, “Short-Term Wind Speed Prediction Based on Artificial Neural Network Models,” Meas. Control, vol. 49, no. 6, Jul. 2016
  3. M. Narayana, G. Putrus, M. Jovanovic, and P. S. Leung, “Predictive control of wind turbines by considering wind speed forecasting techniques,” in 2009 44th International Universities Power Engineering Conference (UPEC), 2009, pp. 1–4
  4. Z. D. Grève et al., “Impact of the geographical correlation between wind speed time series on reliability indices in power system studies,” in 2016 IEEE International Energy Conference (ENERGYCON), 2016, pp. 1–6
  5. M. Lydia and S. S. Kumar, “A comprehensive overview on wind power forecasting,” in 2010 Conference Proceedings IPEC, 2010, pp. 268–273
  6. J. Zhong, Y. Hou, and F. F. Wu, “Wind power forecasting and integration to power grids,” presented at the The 2010 International Conference on Green Circuits and Systems (ICGCS), Shanghai, China, 2010, pp. 555–560
  7. M. Khanna, N. K. Srinath, and J. K. Mendiratta, “Feature Extraction of Time Series Data for Wind Speed Power Generation,” in 2016 IEEE 6th International Conference on Advanced Computing (IACC), 2016, pp. 169–173
  8. D. R. Chandra, M. S. Kumari, and M. Sydulu, “A detailed literature review on wind forecasting,” in Power, Energy and Control (ICPEC), 2013 International Conference on, 2013, pp. 630–634
  9. S. S. Soman, H. Zareipour, O. Malik, and P. Mandal, “A review of wind power and wind speed forecasting methods with different time horizons,” in North American Power Symposium 2010, NAPS 2010, 2010
  10. D. R. Chandra, M. S. Kumari, and M. Sydulu, “A detailed literature review on wind forecasting,” in Power, Energy and Control (ICPEC), 2013 International Conference on, 2013, pp. 630–634
  11. M. Bhaskar, A. Jain, and N. V. Srinath, “Wind speed forecasting: Present status,” in 2010 International Conference on Power System Technology, 2010, pp. 1–6. [12] “TÜBİTAK Ulusal Gözlem Evi,” TÜBİTAK Ulusal Gözlem Evi, 2017. [Online]. Available: http://tug.tubitak.gov.tr/tr/teleskoplar/t60-0. [Accessed: 03-Mar-2017]
  12. U. Firat, S. N. Engin, M. Saraclar, and A. B. Ertuzun, “Wind Speed Forecasting Based on Second Order Blind Identification and Autoregressive Model,” in Machine Le