Wind power prediction using machine learning and deep learning algorithms

Abstract

In 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.

Bu 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.