WRF modeli ve makine öğrenmesi kullanılarak rüzgar enerjisi üretiminin tahmini: Akhisar bölgesi uygulaması

Abstract

Günümüzde artan insan popülasyonu ve teknolojinin devamlı gelişimiyle birlikte enerji kaynaklarına duyulan ihtiyaç artmıştır. Konvansiyonel enerji kaynaklarının sınırlı ve de doğaya zararlı olması sebebiyle, uluslar yenilenebilir enerji kaynaklarını tercih etmeye başlamıştır. Yenilenebilir enerji sektörüne olan talep artmıştır ve bu doğrultuda üretilecek olan enerjinin tahmin edilebilmesi önem kazanmıştır. Bu tez çalışmasında, bu tahminlerin doğruluğunun iyileştirilmesi hedeflenmiştir. Bu doğruluk enerji piyasalarında ekonomik olarak büyük önem taşımaktadır. Bu kapsam doğrultusunda, bu tez çalışmasında Türkiye'nin Manisa ili Akhisar bölgesinde yer alan Akhisar Rüzgar Enerji Santrali (RES) için Hava Tahmin ve Araştırma Modeli (WRF- Weather Research and Forecasting) modeli kullanılarak yüksek çözünürlüklü rüzgar tahminleri elde edilmiştir. Çalışma 2021 yılına ait Ocak, Nisan, Temmuz ve Ekim aylarını içerir ve bu aylar mevsimleri temsilen seçilmiştir. Modelden elde edilen rüzgar şiddeti, rüzgar yönü, hava sıcaklığı ve yüzey basıncı gibi meteorolojik parametreler ile türbin seviyesindeki (80m) güç üretimi değerleri, aynı periyottaki gerçek türbin noktalarındaki üretim verileriyle karşılaştırılmıştır. Bu tez çalışmasında ilk adım olarak WRF modelinin ürettiği güç tahminleri ile gerçek üretim verileri karşılaştırılmıştır ve zaman serisi olarak sunulmuştur. Bu karşılaştırmalarda WRF modelinin trendi yakalamaya çalıştığı fakat genel olarak gerçek üretime göre daha fazla tahmin ettiği görülmüştür. Bu farkları detaylı açıklayabilmek için her ay içerisinden modelin tahminde en kötü olduğu birer gün belirlenmiş ve sinoptik analizi yapılmıştır. Bu analizlere göre gerçek üretim değerleri ile modelin tahmin ettiği üretim değerleri arasındaki farkın fazla olması, o gün için kararsızlığa sebep olan atmosferik koşulların bulunmasıyla ilişkilendirilmiştir. Tezin ikinci adımında ise, WRF modelinden elde edilen çok sayıda meteorolojik parametre girdi olarak Random Forest (RF), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost), Destek Vektör Regresyonu (SVR-Support Vector Regression) ve Çok Katmanlı Algılayıcı (MLP- Multilayer Perceptron) algoritmalarına sunulmuştur ve WRF modeliyle çıkartılan üretim değerleri iyileştirilmeye çalışılmıştır. Bunun için her ayın ilk 20 günü eğitim, son 10 günü test için ayrılmıştır. Test dönemine ait makine öğrenmesi yöntemleri karşılaştırılmıştır. Performans değerlendirmesi Ortalama Mutlak Hata (MAE-Mean Absolute Error), Kök Ortalama Kare Hatası (RMSE-Root Mean Square Error), Normalize Edilmiş Ortalama Mutlak Hata (NMAE- Normalized Mean Absolute Error), Normalize Edilmiş Ortalama Kök Kare Hata (NRMSE-Normalized Root Mean Square Error) ve Pearson korelasyon katsayısı (r) hata metrikleriyle yapılmıştır. Makine öğrenmesi sonuçları, tüm aylarda yüksek performans göstermiştir. Ocak, Nisan, Temmuz ve Ekim aylarına ait hata metrikleri incelendiğinde RF ve XGBoost modellerinin en başarılı iki yöntem olduğu görülmüştür. RF modeli için aylara göre MAE değerleri 37–72 kW aralığında, NMAE değerleri ise yüzde 1.6–2.9 seviyelerinde hesaplanmıştır; XGBoost yönteminde ise benzer şekilde düşük hata oranları ve yüksek korelasyon katsayıları görülmüştür (r ≈ 0.984–0.991). Bu iki modelin performansı özellikle Nisan ve Ekim aylarında gerçek üretim serisiyle yüksek doğruluk sağlamıştır. MLP ve KNN modelleri orta düzeyde başarı gösterirken, SVR modelinin tüm aylarda en yüksek hataları üreten yöntem olduğu anlaşılmıştır. Sunulan test dönemi zaman serilerinde RF ve XGBoost modelleri gerçek güç eğrisini en iyi yakalayan iki yöntem olmuştur. Bu modeller üretimdeki artım ve azalımları iyi takip ederken; SVR ve KNN özellikle sıfıra yakın üretim periyotlarını takip etmekte zorlanmıştır. MLP ise bazı günlerde pik değerleri kaçırsa da genel eğilimi uyumlu şekilde takip etmiştir. Genel olarak, orta ölçekli bir hava tahmin modeli olan WRF modelinin, saha ölçeğinde türbin bazlı üretim değişkenliğini tahmin etmekte zorlandığı düşünülmektedir. Bu kapsamda, makine öğrenmesi yöntemlerinin, WRF tahmin modelinin istatistiksel olarak iyileştirilmesini sağlayan bir art-işleme (post-processing) yaklaşımı olarak başarılı olduğu anlaşılmıştır. WRF modelden elde edilen meteorolojik parametrelerin modele dahil edilmesi etkisiyle, özellikle Random Forest ve XGBoost algoritmaları, hata değerlerini düşürmüş ve gözlemlerle olan korelasyonu arttırmıştır. Bu sonuçlar, orta ölçekli sayısal tahmin modellerinin veri ve istatistik odaklı makine öğrenmesi yöntemleriyle kuple edilmesinin, kısa dönem rüzgar enerjisi tahminlerinde daha doğru ve operasyonel olarak uygulanabilir olduğunu göstermektedir. Bu çalışma, fiziksel modellerin veri odaklı yöntemlerle birlikte kullanıldığında daha güvenilir ve operasyonel olarak uygulanabilir tahminler sağlayabileceğini göstermektedir. Gelecekte, modelin farklı sahalarda, farklı rüzgar türbini tipleriyle ve daha uzun periyotlu verilerle test edilmesi, yöntemin doğruluğunun açıklanmasında yardımcı olacaktır.