| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Fen Bilimleri Enstitüsü |
| Anabilim Dalı | Mekatronik Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2024 |
| Öğrenci Adı ve Soyadı | Serkan ŞENKAL |
| Tez Danışmanı | DOÇ. DR. CEM EMEKSİZ |
| Türkçe Özet | Enerji tüketimi ile küreselleşme, kentleşme, enerji politikaları ve ekonomik büyüme gibi çeşitli faktörler arasındaki ilişkiyi içeren çalışmalarla literatürde sıklıkla karşılaşılmaktadır. Bu ilişki, sürdürülebilir enerji sistemlerine ulaşmak için politika ve stratejilerin önemini vurgular. Yenilenebilir enerji kaynakları çevresel faydalar sunar, karbon ayak izini azaltır ve enerji güvenliği ve bağımsızlığı sağlar. Ancak yenilenebilir enerjiye geçiş maliyetli olabilir ve jeopolitik riskler de tedarik zincirlerini ve dağıtımı etkileyebilir. Bu zorlukları aşmak için yenilenebilir enerji kaynaklarının çeşitlendirilmesi ve bölgesel iş birliği büyük önem taşır.Yenilenebilir enerji, toplum ve çevre için birçok fayda sağlayan sürdürülebilir bir enerji kaynağıdır. İklim değişikliğine katkıda bulunan sera gazı emisyonlarını azaltır, halk sağlığını iyileştirir, su kirliliğini azaltır, ekosistemleri korur ve sürdürülebilir kaynak kullanımını teşvik eder. Ayrıca sürdürülebilir kalkınmayı destekler ve enerji sektöründe inovasyon ve araştırmaları ilerletir. Yenilenebilir enerji teknolojileri, tesis verimliliğini artırır ve düşük karbonlu teknolojilerde bir trend olarak öne çıkar. Rüzgar enerjisinin anlaşılması ve kullanılmasında, rüzgar hızı önemli bir faktördür. Rüzgar türbinlerinin verimli çalışması, hava tahmini, iklim modellemesi ve açık deniz operasyonları için doğru rüzgar hızı tahmini önemlidir. Rüzgar hızı tahmini için sinir ağları yaygın olarak kullanılır çünkü karmaşık doğrusal olmayan ilişkileri yakalama yetenekleri vardır. Birden fazla modelden elde edilen tahminleri birleştiren hibrit yaklaşımlar da umut vericidir. Değişken mod ayrıştırması (VMD) ve topluluk ampirik mod ayrıştırması (EEMD) gibi ayrıştırma tekniklerinin rüzgar hızı tahmininde önemli olduğu kanıtlanmıştır. Dalgacık sinir ağları (WNN'ler), aktivasyon işlevi olarak dalgacıkları kullanarak sinir ağlarının farklı giriş verisi özelliklerini yakalamasına ve performansını artırmasına olanak tanır. Rüzgar hızı tahmini için WNN'lere doğrudan referans olmamasına rağmen, mevcut çalışmalar rüzgar hızı tahmin doğruluğunu artırmak için farklı sinir ağı mimarilerini dalgacık ayrıştırma teknikleriyle birleştirme potansiyelini göstermektedir. Çalışmamızda, çok kısa vadeli rüzgar hızı tahmininde başarımı yüksek olacak şekilde, ikincil ayrıştırmalı ve dalgacık sinir ağı ile oluşturulmuş bir hibrit model önerisinde bulunduk. Bu öneri doğrultusunda, popüler olarak kullanılan dört adet ayrıştırma modeli ile ikili olarak on altı adet ayrıştırma çifti ve üç tanesi yapay sinir ağı aktivasyon fonksiyonu, on üç tanesi dalgacık aktivasyon fonksiyonu olacak şekilde toplam on altı aktivasyon fonksiyonu ile 256 adet hibrit model oluşturulmuştur. Bu modeller ile dört mevsimin orta ayları için simülasyonlar yapılmış, ardından bu dört ayın sonuçları doğrultusunda başarımı yüksek olan 48 model ile yılın diğer sekiz ayı simüle edilmiştir. Bulduğumuz sonuçlar, Ampirik Mod Ayrıştırması türevi olan CEEMDAN yöntemi ile Değişken Mod Ayrıştırma yönetimi (VMD) ile oluşturulan ikili ayrıştırma modelinin, SLOG2 dalgacık aktivasyon fonksiyonu sinir ağı ile oluşturulan hibrit tahmin modelinin yüksek başarımlı tahminler gerçekleştirdiği doğrultusundadır. |
| İlgilizce Özet | The literature is frequently encountered with studies on the relationship between energy consumption and various factors such as globalisation, urbanisation, energy policies and economic growth. This relationship emphasises the importance of policies and strategies for sustainable energy systems. Renewable energy sources offer environmental benefits, reduce carbon footprint and provide energy security and independence. However, the transition to renewable energy can be costly and geopolitical risks can also affect supply chains and distribution. Diversifying renewable energy sources and regional cooperation are crucial to overcome these challenges.Renewable energy is a sustainable energy source with many benefits for society and the environment. It reduces greenhouse gas emissions contributing to climate change, improves public health, reduces water pollution, protects ecosystems, and promotes sustainable resource utilization. It also supports sustainable development and advances innovation and research in the energy sector. Renewable energy technologies improve plant efficiency and are a trend in low-carbon technologies. Wind speed is an important factor in understanding and utilizing wind energy. Accurate wind speed prediction is important for the efficient operation of wind turbines, weather forecasting, climate modelling and offshore operations. Neural networks are widely used for wind speed prediction because they can capture complex nonlinear relationships. Hybrid approaches that combine predictions from multiple models are also promising. Decomposition techniques such as variable mode decomposition (VMD) and ensemble empirical mode decomposition (EEMD) have proven to be important in wind speed prediction. Wavelet neural networks (WNNs) utilize wavelets as the activation function, allowing neural networks to capture different input data characteristics and improve performance. Although there is no direct reference to WNNs for wind speed prediction, existing studies show the potential of combining different neural network architectures with wavelet decomposition techniques to improve wind speed prediction accuracy. Our study proposes a hybrid model with secondary decomposition and a wavelet neural network for very short-term wind speed forecasting. In line with this proposal, 256 hybrid models are created with sixteen decomposition pairs in pairs with four popularly used decomposition models and sixteen activation functions, three of which are neural network activation functions and thirteen of which are wavelet activation functions. With these models, simulations were ibrit r the middle months of the four seasons, and then the other eight months of the year were simulated with 48 models with high performance in line with the results of these four months. Our results ibr that the CEEMDAN method, which is a derivative of the Empirical Mode Decomposition, the binary decomposition model created with the Variable Mode Decomposition management (VMD), and the hybrid forecasting model created with the SLOG2 wavelet activation function neural network perform high-performance forecasts. |