Bu çalışmada, Bilecik Meteoroloji Müdürlüğü’nden alınan ham saatlik rüzgar hızı verileri, öncelikle eksik verileri tamamlamak için ön işlemeden geçirildi. Daha sonrasında, Bilecik ili için derin öğrenme yöntemiyle kısa vadeli saatlik rüzgar hızı tahmini yapılmıştır. Rüzgar hızının kısa vadeli tahmini için derin öğrenme tabanlı modellerin kullanımı son zamanlarda yaygın olarak kullanılmaktadır. Rüzgar hızları zaman serisi tipinde olduğundan en uygun derin öğrenme yöntemlerinden biri olan LSTM (Long Short-Term Memory) modeli kullanılmıştır. Böylece bu yaklaşımla Bilecik ili saatlik rüzgar hızı verileri için kısa süreli tahmini elde edilmiştir.
Bu çalışmada kullanılan LSTM modelleri tek değişkenli çift yönlü (Univarate Bidirectional) ve çok adımlı vektör çıkışlı çift yönlü (Multi-Step Bidirectional Vector Output) olmak üzere iki farklı LSTM tipidir. Kullanılan modelde, 1 ve 10 yıllık zaman aralıklarında, saatlik rüzgar hız verileri ve çeşitli giriş büyüklüklerinde (3, 24, 48 ve 168 giriş) eğitim yapıldı. Eğitim sonucunda en iyi tahmin(ler)in hangi kombinasyonlarda ortaya çıktığı incelendi. Eğitimde kullanılan iki farklı model için karşılaştırma yapılabilmesi için aynı derin öğrenme mimarisi kullanılmıştır. 3 katmandan oluşan modelimizde son yıllarda yapılan çalışmalarda daha en düşük hata değeri veren “ADAM” optimizasyonu kullanıldı. Epoch sayısı 20 ve batch size’ı 128 alınıp eğitilmiştir.
1 Yıllık (2019) veriler ile 2020 yılının Ocak ayı rüzgar hızı tahminlerinde en iyi sonuç çok adımlı vektör tipli, giriş büyüklüğü 48 saat olan ve 1 günlük çıkış saatlik rüzgar hızını bulan LSTM modelinde MSE değeri 0.1085 olarak bulunmuştur. 10 Yıllık (2010-2019) veriler ile 2020 yılının Ocak ayı rüzgar hızı tahminlerinde ise en iyi sonuç çok adımlı vektör tipli, giriş büyüklüğü 24 saat ve 1 günlük saatlik çıkış rüzgar hızını bulan LSTM modelinde MSE değeri 0.1612 olarak bulunmuştur. Bu sonuçlara bakılarak yapılan kısa vadeli tahminlerin olağanüstü sonuçlar olduğu görülür.
Veri büyüklüğü açısından bakıldığında hem 1 yıllık hem de 10 yıllık verilerin kullanıldığı bu iki farklı sistemde ki en iyi sonuçlar çok adımlı vektör tipli LSTM modelinde elde edilmektedir. Zaman açısından bakılacak olunduğunda tek değişkenli çift yönlü LSTM modelleri ile uzun vadeli (1 Hafta) saatlik tahminler daha doğru çıkarken çok çıktılı vektör tipli LSTM’lerde ise kısa vadeli (1 gün) saatlik tahminlerde doğruluk oranı artmaktadır.
Bilecik ili için daha önceden yapılan rüzgar hızı tahmini ile ilgili çalışmalar; M. Recep Minaz ve ark., “Uyarlanır Sinir Bulanık Sistemi (ANFIS) ve doğrusal çoklu regresyon analizi yöntemleri kullanılarak rüzgar hızı, basınç ve sıcaklık tahminleri yapıldı.” ve E. Dokur ve ark., “Rüzgar hızı dağılımının modellenmesinde kullanılan Weibull dağılımı için parametre tahmini yaparak Bilecik ili için rüzgar hızı modeli elde edildi.“ şeklindedir. Çalışmamız bu iki yaklaşımdan farklı olarak Bilecik ili için kısa vadeli saatlik rüzgar hızı verileri tahmini için yeni bir yaklaşım oluşturuldu. Derin öğrenme yaklaşımıyla yapılan çalışmamızın daha sonraki çalışmalarda kısa vadeli tahminlere ışık tutacağını düşünmekteyiz.
Anahtar Kelimeler: Derin Öğrenme, Rüzgar Hızı Tahmini, Uzun Kısa-Süreli Hafıza (LSTM), Zaman Serileri
|
