Wind power prediction using machine learning and deep learning algorithms

Simple item page
buir.contributor.authorŞimşek, Ecem
buir.contributor.authorGüngör, Ayşemüge
buir.contributor.authorKaravelioğlu, Öykü
buir.contributor.authorYerli, Mustafa Tolga
buir.contributor.orcidŞimşek, Ecem|0009-0004-4198-2706
dc.citation.epage4en_US
dc.citation.spage1
dc.contributor.authorŞimşek, Ecem
dc.contributor.authorGüngör, Ayşemüge
dc.contributor.authorKaravelioğlu, Öykü
dc.contributor.authorYerli, Mustafa Tolga
dc.coverage.spatialİstanbul, Türkiye
dc.date.accessioned2024-03-22T12:04:23Z
dc.date.available2024-03-22T12:04:23Z
dc.date.issued2023-08-28
dc.departmentDepartment of Electrical and Electronics Engineering
dc.descriptionDate of Conference: 05-08 July 2023
dc.descriptionConference Name: 31st IEEE Conference on Signal Processing and Communications Applications, SIU 2023
dc.description.abstractIn this study, it has been tried to predict the wind power generation values in a long-term period by using a dataset containing the wind power generation values of 10 zones using machine learning and deep learning methods. In this context, the importance of accurately predicting renewable energy production was emphasized by associating it with machine learning and deep learning methods. The methods to be used in the study were selected based on the literature review and the characteristics of the time series datasets. Since the dataset includes the basic wind components, a detailed feature analysis was performed, and the dataset was enriched with the newly added features. The hyperparameters of the utilized models were optimized for all regions in the dataset separately and the models were run with these hyperparameters. The results of the models were evaluated with different error metrics and compared with each other, and the models with the lowest error scores were determined.
dc.description.abstractBu çalışmada, 10 bölgenin rüzgar enerjisi gücünün üretim değerlerini içeren bir veri kümesi ile makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak rüzgar gücü üretimi uzun vadede tahmin edilmeye çalışılmıştır. Bu kapsamda, yenilenebilir enerji üretimini doğru tahmin etmenin önemi makine öğrenmesi ve derin öğrenme yöntemleriyle bağdaştırılarak vurgulanmıştır. Çalışmada kullanılacak olan yöntemler alanyazın taramasına ve zaman serisi veri kümelerinin özelliklerine bağlı olarak seçilmiştir. Veri kümesi, temel rüzgar bileşenlerini içerdiği için detaylı bir öznitelik analizi gerçekleştirilmiş ve yeni eklenen özniteliklerle veri kümesi zenginleştirilmiştir. Kullanılan modellerin hiperparametreleri veri kümesindeki bölgelerin tamamı için optimize edilmiş ve modeller bu hiperparametrelerle çalıştırılmıştır. Modellerin sonuçları farklı hata skoru ölçekleriyle değerlendirilip birbirleriyle karşılaştırılarak en düşük hata skoruna sahip olan modeller belirlenmiştir.
dc.identifier.doi10.1109/SIU59756.2023.10223936
dc.identifier.eisbn9798350343557
dc.identifier.isbn9798350343564
dc.identifier.issn2165-0608
dc.identifier.urihttps://hdl.handle.net/11693/115085
dc.language.isoTurkish
dc.publisherIEEE - Institute of Electrical and Electronics Engineers
dc.relation.isversionofhttps://dx.doi.org/10.1109/SIU59756.2023.10223936
dc.source.title2023 31st Signal Processing and Communications Applications Conference (SIU 2023)
dc.subjectWind power prediction
dc.subjectTime series
dc.subjectFeature engineering
dc.subjectMachine learning
dc.subjectDeep learning
dc.subjectHyperparameter tuning
dc.subjectRüzgar gücü tahmini
dc.subjectZaman serileri
dc.subjectÖznitelik mühendisliği
dc.subjectMakine öğrenmesi
dc.subjectDerin öğrenme
dc.subjectHiperparametre ayarı
dc.titleWind power prediction using machine learning and deep learning algorithms
dc.title.alternativeMakine öğrenmesi ve derin öğrenme yöntemleriyle rüzgar gücü üretiminin tahmini
dc.typeConference Paper

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Wind_power_prediction_using_machine_learning_and_deep_learning_algorithms.pdf
Size:
652.17 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.01 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Department of Electrical and Electronics Engineering