Deep learning for wind energy systems using the hurst exponent and statistical parameters

thumbnail.default.placeholder
Tarih
2021-08-14
Yazarlar
Alafi, Behnaz
Süreli Yayın başlığı
Süreli Yayın ISSN
Cilt Başlığı
Yayınevi
Graduate School
Özet
As we all know, energy demand is continuously increasing because of population growth and developing technology. As a result of this increasing demand, energy shortages and environmental pollution will occur. Besides, because of the growing crisis and other critical issues around energy, renewable energy is taking countries' attention and becoming important in various parts of the entire world. Wind energy, solar power, tidal energy, geothermal energy, etc. as renewable energy sources have been used to solve these issues. Among these alternative sources of energy, wind and solar energy have got the most attention recently. Since wind power has less pollution, shorter construction time, less occupation, and flexible investment, it has become one of the most effective sources of energy. And in this study, the information is about wind data. But the wind is unstable and mainly affected by meteorological and navigational conditions and the principle for its implementation changes from one place to another. These changes in the meteorological measurement cause uncertainty in wind farms' generated power that affects power supply and quality. Also, because it is impossible to generate every power amount by wind energy or store electrical energy, there is a limitation on the amount of output power. Therefore, An accurate prediction can cause the cost of power generation reduction, less winding reserve capacity of the grid, and more reliable operation of the grid. Because of aforesaid reasons, prediction in wind energy systems is a very important issue. Nowadays, deep neural networks have been considering for prediction problems. In this study, the convolutional neural network(CNN) as a deep neural network is used to do predictions in wind energy systems based on meteorological data of one station. Since the Hurst exponent H is used to determine the predictability degree of a set of data, it gives some information about data that is useful in developing predictive models both theoretical and computational in nature. We first aim to apply the Hurst exponent method on wind energy data and then execute a deep neural network on data to tarin data through that deep neural network. Work steps: this literature study on the yearly meteorological features of one station applies deep learning methods to it. First of all, we gathered reported data for wind speed, air pressure, and relative humidity as the inputs of one deep neural network to train that network for predicting wind speed data. Since the power of one turbine is related to wind speed value, studying the wind speed behavior of one location leads to the study of the power capacity of that location. Before training a neural network, it is better to study the behavior of wind speed and find its statistical model and predictability degree, so before entering meteorological data into a deep neural network we studied statistical parameters of wind speed and find the probability density of it and then we found Hurst exponent, as the factor for predictability degree, and, then, all data is entered to one CNN to tarin that network and predict wind speed data.
Hepimizin bildiği gibi, günümüzde nüfus artışı ve gelişen teknoloji nedeniyle enerji talebi sürekli artmaktadır. Artan bu talep sonucunda enerji kıtlığı ve çevre kirliliği oluşacaktır. Ayrıca, artan kriz ve enerji ile ilgili diğer kritik konular nedeniyle yenilenebilir enerji, ülkelerin dikkatini çekmekte ve dünyanın çeşitli yerlerinde önem kazanmaktadır. Bu sorunları çözmek için rüzgar enerjisi, güneş enerjisi, gelgit enerjisi, jeotermal enerji vb. yenilenebilir enerji kaynakları olarak kullanılmaktadır. Ancak her birinin bazı olumlu ve olumsuz yanları vardır. Sonuç olarak, son zamanlarda en fazla ilgiyi rüzgar ve güneş enerjisi almaktadır. Rüzgar enerjisi daha az kirlilik, daha kısa inşaat süresi, daha az işgal ve esnek yatırıma sahip olduğundan, en etkili enerji kaynaklarından biri haline gelmiştir. Daha önce de belirtildiği gibi, rüzgarı enerji kaynağı olarak kullanmanın kendi sınırlamaları vardır. Rüzgar çok dengesizdir ve esas olarak meteorolojik ve seyir koşullarından etkilenir ve uygulama prensibi bir yerden başka bir yere değişir. Meteorolojik ölçümdeki bu değişiklikler, güç kaynağı ve kaliteyi etkileyen rüzgar çiftliklerinin ürettiği güçte belirsizliğe neden olur. Ve her güç miktarını rüzgar enerjisi ile üretmek mümkün olmadığından, çıkış gücü miktarı için bir sınırlama vardır. Örneğin, bir rüzgar santrali bir şebekeye bağlandığında, şebeke benzeri stabilite, dağıtım, pik yük, kompanzasyon, sevk, frekans gibi her parametre bu bağlantıdan etkilenecektir. Uçucu rüzgar çiftlikleri ne kadar güçlü olursa, şebeke parametreleri üzerinde o kadar fazla etki olur. Rüzgar türbinlerinde üretilen güç, rüzgar hızından doğrudan etkilendiğinden, üretilen gücün doğru bir şekilde tahmin edilmesi için rüzgar hızı tahmini uygun bir yaklaşım olabilir. Doğru bir tahmin, elektrik üretiminin maliyetinin düşmesine, şebekenin daha az sarım rezerv kapasitesine ve şebekenin daha güvenilir çalışmasına neden olabilir. Yukarıda bahsedilen tüm nedenlerden dolayı rüzgar hızı tahmini çok önemli ve tartışmalı bir konudur. Genel olarak, tahmin iki ana kategoriye ayrılabilir; kısa vadeli ve uzun vadeli tahmin ve bazen üç kategoriye genişletilebilir; kısa vadeli, orta kısa vadeli ve uzun vadeli. Rüzgar dinamiğinin sürekli değişen davranışıyla ilgili maliyeti belirlemek için yapay operasyonel tahminler gereklidir. Uzun vadede üretilen rüzgarın ortalama değeri, belirli bir konumdan rüzgar ve gücü tahmin etmede önemli bir parametredir. Ancak daha yakın vadeli veya kısa vadeli yapay tahminler, rüzgar üretim miktarını takip eden önemli bir unsur olarak rezerv ön koşullarının belirlenmesi için zorunludur. Son yıllarda, rüzgar hızı tahmini için stokastik zaman serisi modeli, destek vektör regresyonu, dalgacık analizi, Kalman filtreleri, uzaysal-zamansal modeller ve AI modelleri olarak bilinen Yapay Zeka gibi birçok yöntem uygulanmaktadır. Rüzgar hızı, kontrol sistemi verilerini ve karşılaştırılabilir önceki verileri çıkaran istatistiksel bir öğrenme yaklaşımı kullanılarak tahmin edilir. Tahmin için genellikle bir zaman serisi modeli kullanılır ve parametreleri tahmin etmek için veri kümesindeki yinelemeler kullanılır. Veri madenciliği teknikleri, çeşitli araştırma türlerinde tahmin için de kullanılmıştır. Veri madenciliği, yapay sinir ağlarında kullanılanlara benzer öğrenme teknikleri kullanır. İki nedenden dolayı istatistiksel öğrenme yaklaşımları önerilir: oluşturması kolay ve mükemmel kısa vadeli tahmin doğruluğuna sahip tahmin modelleri. Rüzgar tahmini, fiziksel sistemlere dayalı modellerden de yararlanabilir. Bu yaklaşımlar sayısal hava tahminleri için kullanılır ve bir dizi diferansiyel denklemden oluşur. Daha kapsamlı bilgi gerektiren uzun vadeli sistemler bu fiziksel tekniklerden yararlanabilir. Ayrıca bu fiziksel sistemler istatistiksel öğrenme yaklaşımlarına dayalı tahminlerle karşılaştırıldığında başarı oranları daha düşüktür. Bununla birlikte, hem istatistiksel hem de fiziksel teorileri birleştiren yöntemler vardır. Bunlar hibrit model yaklaşımları olarak bilinir ve sayısal meteorolojik veri tahminini çözmek için istatistiksel modellerin uygulanmasını içerir. Rüzgar hızı, hava basıncı ve diğer meteorolojik veriler gibi çok girişli veriler, tahmin algoritmalarına girdi olarak yaygın olarak kullanılır. Doğrusal olmayan özellikleri haritalama kapasitesi nedeniyle, AI prosedürü mükemmel sonuçlar verir. AI tekniklerinin birincil faydası, önceden belirlenmiş bir matematiksel modele ihtiyaç duymadan olası rüzgar hızı serilerini tahmin edebilmeleridir. Araştırmacılar şu anda rüzgar hızını tek bir AI yaklaşımı olarak tahmin etmek için yapay sinir ağlarını (YSA) kullanıyor. YSA yöntemi, insan beynindeki nöronlar gibi bir düğüm ağı aracılığıyla öğrendiği, düzenlediği ve kendini uyarladığı için tahmin için daha etkilidir. Rüzgar hızı serilerinin daha kapsamlı özelliklerini ortaya çıkarmak için standart sinir ağları üzerinden derin öğrenme teknikleri önerilir. Derin öğrenme algoritmaları, çeşitli makine algılama, görme, konuşma ve sinyal işleme uygulamalarında mükemmel sonuçlar üretir. Rüzgar hızı verilerinin karmaşık özellikleri, derin bir öğrenme yaklaşımı kullanılarak ortaya çıkarıldı. Günümüzde derin öğrenme algoritmaları, tahmin etmek için en güvenilir ve uygulanabilir yöntemlerdir. Rüzgar hızı tahmini araştırmalarında, doğrudan ham rüzgar hızı verilerinden tahmin edilen rüzgar hızı değerlerini üreten birçok araştırma, rüzgar hızı serisinin durağan olmayan etkilerini görmezden geldi. Derin öğrenme, makine öğreniminin bir alt kümesi olan bir tür makine öğrenimidir. Derin sinir ağları veya derin sinir öğrenimi, büyük miktarda yapılandırılmamış ve etiketlenmemiş veriden (denetimsiz kategoride büyük veri olarak bilinir) öğrenebilir çünkü büyük miktarda yapılandırılmamış ve etiketlenmemiş veriden öğrenme imkana sahiptir. Büyük veri olarak adlandırılan dünyanın her yerinden gelen veri patlamasına yanıt olarak derin öğrenme istikrarlı bir şekilde tamamlandı. Dünyanın her yerindeki diğer kaynaklardan büyük verilerin toplanması ve analizi uzun bir zaman, belki de on yıllar alacaktır. Derin öğrenme, bu büyük hacimli yapılandırılmamış ve etiketlenmemiş verileri öğrenmek için kullanılır. Sonuç olarak, bu araştırmada İstanbul Göztepe için rüzgar hızı dağılımlarının istatistiksel uyumları yapılmıştır. meteorolojik veriler yıllık olarak toplanmaktadır. Saatlik, mevsimlik ve yıllık ortalama rüzgar hızı verileri, uygun frekanslar kümesine sıkıştırılmıştır. Grafiksel yöntem, rüzgar hızı olasılık dağılımının en iyi modeli olarak Weibull dağılımının iki temel parametresini belirlemek için kullanılır: Weibull ölçek faktörü "c" ve Weibull şekil faktörü "k". İdeal türbinin rüzgar gücü yoğunluğu ve elektrik enerjisi çıkışı Weibull faktörleri kullanılarak ölçülmüştür. Daha sonra rüzgar hızı verilerinin Hurst üssü ile tahmin edilebilirliği incelenmiştir. Rüzgar enerjisi rüzgar hızına bağlı olduğundan rüzgar hızı tahmin edilebilir ise üretilen enerji de tahmin edilebilir olacaktır. Son adımda, bunun öngörülebilirlik derecesi faktörü olarak Derin Öğrenme yöntemi kullanılarak rüzgar hızı tahmini yapıldı ve ardından tüm veriler tek bir CNN'ye girilerek o ağın rüzgar hızı verilerini tahmin etmek için tarandı. Çalışma adımları: Bir istasyonun yıllık meteorolojik özelliklerine ilişkin bu literatür çalışması, ona derin öğrenme yöntemlerini uygular. Her şeyden önce, rüzgar hızı verilerini tahmin etmek için bu ağı eğitmek için bir derin sinir ağının girdileri olarak rüzgar hızı, hava basıncı ve bağıl nem için raporlanmış verileri topladık. Bir türbinin gücü, rüzgar hızı değeri ile ilgili olduğundan, bir konumun rüzgar hızı davranışını incelemek, o konumun güç kapasitesinin incelenmesine yol açar. Bir sinir ağını eğitmeden önce, rüzgar hızının davranışını incelemek ve istatistiksel modelini ve tahmin edilebilirlik derecesini bulmak daha iyidir, bu nedenle meteorolojik verileri derin bir sinir ağına girmeden önce rüzgar hızının istatistiksel parametrelerini inceledik ve olasılık yoğunluğunu bulduk ve sonra tahmin edilebilirlik derecesi faktörü olarak Hurst üssünü bulduk ve ardından, tüm veriler bu ağı taramak ve rüzgar hızı verilerini tahmin etmek için bir CNN'ye girildi.
Açıklama
Thesis (M.Sc.) -- İstanbul Technical University, Graduate School, 2021
Anahtar kelimeler
deep learning, derin öğrenme, wind energy, rüzgar enerjisi, wind power, rüzgar gücü
Alıntı