Rüzgâr enerjisinin elektrik sistemindeki payı arttıkça, üretimin bir gün önceden doğru şekilde tahmin edilmesi enerji planlaması açısından daha önemli hale gelmektedir.
Rüzgâr enerjisi üretimi doğrudan atmosferik koşullara bağlı olduğundan yalnızca geçmiş üretim verilerinin kullanılması yeterli olmayabilir. Sayısal hava tahmin modellerinden elde edilen atmosferik değişkenlerin makine öğrenmesi yöntemleriyle birlikte kullanılması, gün öncesi üretim tahminleri için güçlü bir yaklaşım sunmaktadır.
Araştırmanın Amacı
Çalışmanın temel amacı, Türkiye'deki rüzgâr enerji santrallerinin mekânsal dağılımını dikkate alan ve meteorolojik model verilerini kullanarak ülke genelindeki toplam rüzgâr enerjisi üretimini bir gün önceden tahmin edebilen bir sistem geliştirmektir.
Araştırmada üç temel yaklaşım bir araya getirilmiştir:
Sayısal hava tahmini verileri + Mekânsal grid seçimi + Makine öğrenmesi ve özellik seçimi
Böylece çok sayıdaki atmosferik değişken içerisinden tahmin açısından en anlamlı bilgilerin kullanıldığı daha kompakt bir model oluşturulmuştur.
Nasıl Çalışıyor?
Modelin eğitim ve doğrulama aşamasında ERA5 reanalysis verileri kullanılmıştır. Atmosferik değişkenler yüzey seviyesi, 700 hPa, 500 hPa ve 300 hPa basınç seviyelerinden alınmıştır.
Araştırmacılar, Türkiye'deki rüzgâr enerji santrallerinin coğrafi dağılımını dikkate alan özel bir grid selection algoritması geliştirmiştir. Bu önemli bir noktadır çünkü Türkiye'nin tamamındaki her meteorolojik grid noktasını makine öğrenmesi modeline vermek yerine, rüzgâr santrallerinin dağılımıyla ilişkili meteorolojik gridlerin seçilmesi hedeflenmiştir. Ardından seçilen meteorolojik değişkenler CatBoost algoritmasının girdileri olarak kullanılmıştır.
Neden Özellik Seçimi Yapıldı?
Meteorolojik veri setlerinde "farklı basınç seviyeleri × farklı atmosferik değişkenler × farklı grid noktaları" bir araya geldiğinde çok yüksek sayıda potansiyel model girdisi oluşabilir. Ancak daha fazla değişken kullanılması her zaman daha iyi tahmin anlamına gelmez.
Çalışmada özellik seçimi yöntemlerinden yararlanılarak tahmine en fazla katkı sağlayan değişkenlerin belirlenmesi amaçlanmıştır. Sonuçlar, daha az sayıda özellik kullanan önerilen modelin diğer modellerden daha iyi performans gösterdiğini ortaya koymuştur. Bu bulgu makine öğrenmesi tabanlı meteorolojik tahmin sistemlerinde önemli bir prensibi gösteriyor: Daha fazla veri yerine doğru meteorolojik değişkenlerin seçilmesi daha değerli olabilir.
Operasyonel Tahmine Nasıl Geçildi?
Çalışmanın özellikle dikkat çekici taraflarından biri eğitim ve gerçek tahmin aşamalarının birbirinden ayrılmasıdır.
Eğitim / Doğrulama Süreci
ERA5 Reanalysis → Meteorolojik değişkenler → Grid ve özellik seçimi → CatBoost
Gün Öncesi Tahmin (Operasyonel)
ECMWF HRES Gün Öncesi Tahminleri → Seçilen meteorolojik değişkenler → Eğitilmiş CatBoost modeli → Türkiye Rüzgâr Enerjisi Üretim Tahmini
Test aşamasında ECMWF HRES'in gün öncesi tahminleri kullanılmıştır. Bu sayede yöntem yalnızca geçmiş verilere uygulanmış akademik bir model olmaktan çıkıp operasyonel kullanıma uygun bir yapıya yaklaştırılmıştır.
Araştırmadan Öne Çıkan Sonuçlar
| Performans Göstergesi | Sonuç |
|---|---|
| Normalize RMSE | %7,6 |
| R² | 0,8989 |
Çalışmaya göre özellik sayısı azaltılmış olan önerilen model, karşılaştırılan diğer modellerden daha iyi sonuç vermiştir. Özellikle R² = 0,8989, tahmin edilen ve gerçekleşen rüzgâr üretimi arasında yüksek düzeyde açıklayıcılık sağlandığını göstermektedir.
NWP + Makine Öğrenmesi Neden Önemli?
Bu çalışma enerji meteorolojisindeki önemli bir yaklaşımı gösteriyor. Salt makine öğrenmesi, "Geçmiş → Gelecek" ilişkisini öğrenmeye çalışırken; NWP destekli makine öğrenmesi, "Gelecekteki atmosfer koşulları → Beklenen enerji üretimi" ilişkisini öğrenebilir.
Dolayısıyla hibrit bir yapı ortaya çıkar: Atmosferik Tahmin → Meteorolojik Özellik Seçimi → Makine Öğrenmesi → Enerji Üretim Tahmini. Bu yöntem özellikle gün öncesi enerji piyasası ve yenilenebilir enerji portföylerinin operasyonel planlaması açısından önem taşır.
Ülke Bazlı ve Santral Bazlı Tahmin Arasındaki Fark
Bu araştırmanın amacı Türkiye toplam rüzgâr enerjisi üretimini ülke ölçeğinde tahmin etmektir. Santral bazlı operasyonel tahminde ise problem farklıdır. Örneğin bir RES için santral koordinatları, türbin lokasyonları, hub yüksekliği, yerel topografya, saha ölçümleri, SCADA üretim verileri ve santral performansı gibi çok daha lokal bilgiler kullanılabilir. Dolayısıyla ülke bazlı bir model enerji sistemi genelini temsil ederken, santral bazlı tahmin tek bir tesisin operasyonel davranışına odaklanır.
Polar Meteoroloji ve Sektörel Karşılığı
Bu çalışma, Polar Meteoroloji’nin yenilenebilir enerji alanındaki uzmanlık yaklaşımıyla doğrudan örtüşen NWP + makine öğrenmesi tabanlı gün öncesi enerji tahmini konusundaki bilimsel yetkinliği temsil etmektedir.
Polar Meteoroloji’de sayısal hava tahminleri, meteorolojik gözlemler, santral verileri ve yapay zekâ yöntemleri; rüzgâr enerjisi üretim tahmini ve operasyonel karar destek uygulamalarında bütünleşik olarak ele alınmaktadır.
Yenilenebilir Enerji İçin Meteorolojik Çözümler
Rüzgâr kaynak analizinden operasyonel hava ve enerji üretim tahminlerine kadar, tesisinize özel meteorolojik modelleme çözümlerimizi inceleyin.
Yenilenebilir Enerji Çözümlerimizi İncele →Bilimsel Yayın
Özen, C. & Deniz, A. (2022).
A comprehensive country-based day-ahead wind power generation forecast model by coupling numerical weather prediction data and CatBoost with feature selection methods for Turkey.
Energy, Volume 46, Issue 5.
DOI: 10.1177/0309524X221078536