serdar i̇pli̇kçi̇ yeni̇lenebi̇li̇r enerji̇ si̇stemleri̇nde opti̇mi̇zasyon uygulamalari

8/18/2019 Serdar ıplıkçı Yenılenebılır Enerjı Sıstemlerınde Optımızasyon Uygulamalari

http://slidepdf.com/reader/full/serdar-iplikci-yenilenebilir-enerji-sistemlerinde-optimizasyon 1/33

4. Yenilenebilir Enerji Sistemleri Kış Okulu│ Prof. Dr. Serdar İPLİKÇİ

YENİLENEBİLİR ENERJİ

SİSTEMLERİNDE OPTİMİZASYON

YENİLENEBİLİR ENERJİ SİSTEMLERİNDE OPTİMİZASYON UYGULAMALARI

1/3316/01/2015

Prof. Dr. Serdar İPLİK Çİ

Pamukkale Üniversitesi, Elektrik- Elektronik Müh., Kın ıklı Kamp üsü, 20040, Denizli

e-mail: [email protected]

web: www.pau.edu.tr/iplikci

tel.: +90 (258) 2963197





2/3316/01/2015

SUNUM PLANI1. Giriş

2. Optimizasyon Teknikleri1. Giriş 2. Sezgisel Optimizasyon

3. Türev-Tabanlı Optimizasyon

3. Yenilenebilir ve Sürdürülebilir Enerji SistemlerindeOptimizasyon Uygulamaları

1. Rüzgar Enerjisi 2. Güneş Enerjisi 3. Jeotermal Enerji

4. Bio-Enerji

5. Hibrit Sistemler

4. Modelleme ve Tahmin5. Sonuçlar





3/3316/01/2015

1) Giriş 1.1) Neden Optimizasyon?

• Sürdürülebilirlik, artan talep ve kısıtlı kaynaklar nedeniyle büyük öneme sahiptir.•

Özellikle enerji üretim ve tüketiminde, enerjinin etkin bir şekilde üretilmesine ve aynı zamanda enerjinin etkin bir şekilde tüketilmesine imkan veren yöntemlerin geliştirilmesi gerekmektedir.

• Enerji kaynaklarının geniş bir alana yayılması ve bilgi altyapısının büyümesi enerjikaynaklarının ince bir elekten geçmesine imkan sağlarken, bu enerji ağındaki büyük veri- kümelerinin anlaşılması ve analizi için birtakım araçların geliştirilmesini

gerektirmiştir .• Geleceğin ekolojik, ekonomik ve güvenilir enerji sistemlerindeki anahtar teknolojiler

• Yenilenebilir enerji kaynaklarındaki enerjinin tahmini

• Yenilenebilir enerji sistemlerinde tüketim tahmini

• Ağ dengesi için etkin planlama ve kontrol stratejileri

• Finanssal ve ekolojik olarak yapılabilir projelere imkan sağlamak için, optimizasyonteknikleri, sürdürülebilir sistemlerin planlanması, optimizasyonu ve tahminindeanahtar bir rol oynamıştır.





4/3316/01/2015

1) Giriş 1.2) Literatürde Optimizasyon

Kaynak: Web of Science





5/3316/01/2015

2) Optimizasyon Teknikleri2.1) Giriş

2.1.1) Genel Format ve Kısa Notasyon

Amaç Fonksiyonu Tasarım Değişkenleri

min ( )Kısıtlar: ( ) 0 ∈ ℰ

( ) ≥ 0 ∈ ℐ

min, ,…, (, ,…,)Kısıtlar: ( , ,…,) 0 ∈ ℰ

( , ,…,) ≥ 0 ∈ ℐ

:ℝ ⟼ ℝ ∈ ℝ

⋮

( )

Yerel minimum

Global minimum





6/3316/01/2015

2) Optimizasyon Teknikleri2.2) Sezgisel Optimizasyon

2.2.1) Giriş

•

Sezgisel (Heuristics) yöntemler, büyük çaptaki problemlere optimum olmasa da yeterliçözümleri hızlı bir şekilde üreten yöntemlerdir.

• Sezgisel- üstü (Meta-heuristics) yöntemlerse daha geniş problemlere uygulanabilmelerianlamında sezgisel yöntemlerin genelleştirilmiş halidir.

• Sezgisel yöntemler şu şekilde gruplandırılabilir: • Yörünge (trajectory) Popülasyon (population)• Hafızaya dayalı (memory-based) Hafızasız (memoryless) • Doğadan Esinlenen (nature -inspired) Doğadan Esinlenmeyen (non nature -inspired)

İ İ İ İ İ İ İ İ


http://slidepdf.com/reader/full/serdar-iplikci-yenilenebilir-enerji-sistemlerinde-optimizasyon 7/334. Yenilenebilir Enerji Sistemleri Kış Okulu│ Prof. Dr. Serdar İPLİKÇİ


7/3316/01/2015


2.2.2) Yörünge Yöntemleri

Yörünge yöntemleri arama sürecinde tek bir çözüm ile başlarlar. Süreç boyunca çözümiteratif olarak güncellenerek optimum çözüme ulaşılmaya çalışılır. Bu güncellemelerdeyerel minimumlardan kaçınılmaya çalışılır. Bu yöntemlerden bazıları şunlardır:

• Tepe Tırmanma -- Hill Climbling ( HC)• Tavlama Benzetimi -- Simulated Annealing ( SA)•

Tabu Araması -- Tabu Search ( TS)• Hırslı Rasgele Uyarlamalı Arama-- Greedy Randomized Adaptive Search Procedures(GRASP)

• Değişken Komşuluk Araması -- Variable Neighborhood Search ( VNS)

Bu yöntemlerden sezgisel- üstü olanları şunlardır:

• İteratif Yerel Arama -- Iterated Local Search ( ILS)• Pareto Arşiv Gelişim Stratejisi-- Pareto Archived Evolution Strategy ( PAES)• Çok-AmaçlıTavlama Benzetimi -- Multi-Objective Simulated Annealing ( MOSA)





8/3316/01/2015


2.2.3) Population-based meta-heuristics methods

Popülasyon temelli sezgisel yöntemler optimum çözümü aramaya çok sayıda rasgele çözüm ile

başlarlar. Daha sonra bu çözümler belli bir sayıda iterasyon boyunca evrim geçirirler. Algoritmalarbelli bir sonlandırma kriteri gerçekleşene kadar devam eder. Popülasyon temelli sezgisel yöntemlerden bazıları şunlardır :• Genetik Algoritma lar -- Genetic Algorithms ( GA)• Evrimsel Algoritmalar -- Evolutionary Algorithms ( EA)• Saçınım Araması -- Scatter Search ( SS)• Yol Yeniden- Bağlama -- Path Relinking ( PR)• Memetik Algoritmalar -- Memetic Algorithms ( MA)• Karınca Kolonisi Algoritması-- Ant Colony Optimization ( ACO)• Parçacık Sürü Algoritması -- Particle Swarm Optimization ( PSO)• Dağılım Kestirimi Algoritması-- Estimation of Distribution Algorithm ( EDA)• Diferansiyel Evrim -- Differential Evolution ( DE)• Yapay Arı Kolonisi Optimizasyonu-- Artificial Bee Colony Optimization ( ABCO)

Popülasyon temelli sezgisel- üstü yöntemlerden bazıları şunlardır :• Çok-Amaçlı Tabu Araması -- The Multiobjective Tabu Search ( MOTS)• Baskın-olmayan Sıralamalı GA -- Non-dominated Sorting Genetic Algorithm ( NSGA/NSGA-II)• Pareto Tavlama Benzetimi -- Pareto Simulated Annealing ( PSA)• Tek Cepheli Genetil Algoritma -- Single Front Genetic Algorithm ( SFGA)• Güçlü Pareto Evrimsel Algoritma -- Strength Pareto Evolutionary Algorithm ( SPEA/SPEA-II )• Pareto Zarf- temelli Seçme Alg.-- Pareto Envelope-based Selection Algorithm ( PESA/PESA-II ).





9/3316/01/2015


2.2.4) Genetik Algoritma Döngüsü

Uygunluk değerleri tablosu

N F F F ,,, 21

hesapla

Küçükten büyüğe sırala

popülasyon

seçim

çaprazlama

Rulet tahtası

1 0 0 1 1 1 0 1 0 0 1 0 1 1 0 1

1 1 0 0 1 0 1 1 0 1 1 1 0 1 0 0

Ebeveyn1

Ebeveyn2

Çocuk1

Çocuk2

1 0 0 1 1 1 0 1 0 1 1 1 0 1 0 0

0 0 1 0 1 1 0 11 1 0 0 1 0 1 1

2X

N X

3X

1X

mutasyon

1 0 1 1 1 0 1 0 0 1 0 1 1 0 1or j ina l

m u t a s y o n l u 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0 0

GENETİK ALGORITMA DÖNGÜSÜ

Uygunluk fonksiyonu

Popülasyon sayısı

i inci çözümün uygunlukdeğeri

i inci birey (çözüm)

i inci çözümün ikili (binary)karşılığı

0

(, ,…,) N

(, ,…,)

decimal2binary

⋮





10/3316/01/2015

2) Optimizasyon Teknikleri2.3) Türev -Tabanlı Optimizasyon

2.3.1) Matematiksel Temeller

, ,…,

, ,…, , ,…,⋮ , ,…,

Gradient Vektörü

, ,…,

, ,…, , ,…, ⋯

, ,…, , ,…, , ,…, ⋯

, ,…,⋮ ⋮ ⋱ ⋮ , ,…, , ,…, ⋯ , ,…,

Hessian Matrisi

, ,…,

, ,…, , ,…, ⋯ , ,…, , ,…, , ,…, ⋯

, ,…,⋮ ⋮ ⋱ ⋮ , ,…, , ,…, ⋯

, ,…, Jacobian Matrisi





11/3316/01/2015


2.3.2) Taylor Açılımı, İniş Yönü ve Optimallik Şartları

Taylor Açılımı

∆ ∆ 12 ∆ ∆ ℎ. .

İniş Yönü

≅

< →

< 0

Birinci-dereceden Optimallik Şartları: ∗ Optimallik Şartları

İkinci-dereceden Optimallik Şartları: ∗ pozitif tanımlı

Güncelleme Kuralı

< koşulunu sağlayan bir ilerleme yönü bulunduğunda,

+ ← kuralı ile güncelleme yapılır.





12/3316/01/2015


2.3.3) Birinci- ve İkinci dereceden Yöntemler

Dik- İniş:

Conjugate Gradient: −

Newton: −

Değiştirilmiş Newton: −

Birinci- dereceden Yöntemler

İkinci -dereceden Yöntemler





13/3316/01/2015


2.3.4) Sözde -Newton Yöntemleri ve İkinci -dereceden Yaklaşık Yöntemler

Davidon-Fletcher-Powell (DFP) :

, + ∆ ∆ ∆

, +

Gauss-Newton (GN): −

Levenberg-Marquardt (LM): − .

Sözde-Newton Yöntemleri

İkinci -dereceden Yaklaşık Yöntemler

Broydon-Fletcher-Goldfarb-Shanno (BFGS) :

− , + ∆ , +





14/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.

PROBLEM ÇÖZÜM

İstenilen enerji kaynağının paylaşımı ve kapasite

genişlemesi planını en düşük sistem maliyet, enyüksek sistem güvenirliği ve en yüksek sistemgüvenliği ile gerçekleştirme

• Interval Linear Programming (ILP)• Chance-Constrained Programming• Mixed Integer-Linear Programming (MILP)

Dağıtık enerji opsiyonlarıyla birlikte dağıtımşebekesi genişlemesi için uzun- dönem dinamikçok-amaçlı planlama modeli

Immune Genetic Algorithm (I-GA)

Karbon emisyonu ticari programları altında güçtransmisyonu şebekelerinin en düşük maliyetlegenişlemesi

• Mixed-Integer Programming (MIP)• Genetic Algorithms (GA)• Simulated Annealing (SA )• Tabu Search (TS)

Elektriksel güç sistemindeki yükün yıllık olaraktepe değerinin en küçük hata ile tahmini

Particle Swarm Optimization (PSO)

Yeni yenilenebilir enerji sistemlerininpenetrasyonu ve arz- talep dengesi yönetimi

• Nelder –Mead Simplex (NMS) and PSO• Honey Bee Mating Optimization (HBMO)• Ant Colony Optimization (ACO), ANN, GA

Enerji talebi tahmini • Yapay Sinir Ağları (ANN)• Destek Vektör Makineleri (SVM)





15/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.1) Rüzgar Enerjisi

3.3.1) Giriş

•

Rüzgar, Meksika gibi geniş coğrafi bölgelerde neredeyse periyodik bir olaydır. • Boyutlarlar artarken birim fiyatlar düşüyor. • Rüzgar hızının yüksek ve stabil olduğu kıyı kesimlerinde ve yüksek irtifalarda

rüzgar çiftlikleri kurulabilir. Ancak, düşük rüzgar hızları ve rüzgarın tahmin

edilememesi her yerde kullanıma imkan vermiyor. • Rüzgar hızı dağılımının tahmin edilmesi Rüzgar çiftlikleri alanının seçimi • Bayesian model uzun dönem rüzgar dağılımı tahmini





16/3316/01/2015


3.3.1) Türbin Tasarımında Optimizasyon

• Rüzgar çiftliklerinin tasarımında iki önemli problem: rüzgar türbini ve çiftlik planı Bir türbinin güç çıkışı şunların bir fonksiyonudur: • Havanın yoğunluğu • Türbinin bıçakları tarafından süpürülen alan • Rüzgar hızının küpü

• Bir rüzgar türbininin kalitesini ölçmede pek çok metrik kullanılabilir, mesela, • Güç faktörü, reaktif güç • Harmonik distorsiyon

Hız-kaybı regüleli yatay-eksenli rüzgar türbini rotorkonfigürasyonundaki geometrik parametrelerin optimizasyonunun,toplam enerji üretimi ile kullanılan birim alan ve maliyet arasındaki en iyi denge gözetilerek bulunması

Multi-Objective Evolutionary Algorithm(MOEA)

Hibrit kalıcı mıknatıslı rüzgar türbini sisteminin hız kutusu oranları

ve güç oranları sınırlarının optimizasyonu

Genetic Algorithms (GA)

Rüzgar hızı dağılımı ve güç –hız karakteristiklerini de dikkate alarakoptimum kapasitenin belirlenmesi

Mixed-Integer Nonlinear Programming(MINLP)

Rüzgar türbini güç eğrisi tahmini Fuzzy Logic Modelling





17/3316/01/2015


3.3.2) Rüzgar Çiftliği Planı Optimizasyonu

• Bir rüzgar çiftliği planında, enerji üretimini en yükseğe çıkarmak için, çiftlik içerisindekurulacak rüzgar türbinlerinin en uygun pozisyonlarının belirlenmesi gerekir.

Kurulacak türbin sayısını kısıtlanması ve türbinler tarafından işgal edilecekalanın en aza indirilmesi gibi kısıtlar altında en yüksek üretim kapasitesineulaşmak için rüzgar türbinlerinin en uygun pozisyonlarının belirlenmesi.


Rüzgar çiftliğinin tüm çalışma zamanı boyunca getireceği toplam net kazancı baz alan rüzgar çifliği maliyet modeline dayalı olarak en iyi rüzgar çiftliği konfigürasyonunun belirlenmesi

Evolutionary Algorithms (EA)

Rüzgar dağılımı göz önüne alınarak bir taraftan elde edilecek rüzgar enerjisimiktarını en yüksek yaparken diğer taraftan bir takım kısıtlara ihlaletmeyecek şekilde türbinlerin en uygun yerleşiminin belirlenmesi

Multi-Objective EvolutionaryAlgorithm (MOEA)

Rüzgar koşullarını ve yerleşim yeri kısıtlarını da dikkate alarak en uygun

türbin tipi, sayısı ve yerleşiminin belirlenmesiMixed-Integer NonlinearProgramming(MINLP)





18/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.2) Güneş Enerjisi

3.2.1) Giriş

• Güneş enerjisi, güneş tarafından üretilen bir ışıma enerjisidir. Dünyanın pek çokyerinde geleceğin enerji kaynağı olarak görülmektedir.

• Güneş ışımasından enerji elde edilmesi için aktif ve pasif olmak üzere iki temel tasarımvardır.

• Pasif tasarım daha çok güneşten en fazla enerjiyi elde etmek için binalarıntasarımlarının nasıl olması gerektiği ile ilgilenir. İlgi çoğunlukla güneş enerjisievlerinin optimizasyonu üzerinedir.

• Aktif tasarım ise fotovoltaik paneller ve güneş pilleri kullanılarak güneş ışımasınınısıya dönüşümüyle suyun ısıtılması ve böylece güneş ışımasının enerjiyedönüştürülmesi ile ilgilenir.

• Hem aktif hem de pasif tasarımda çalışabilmek için çalışılacak bölgeye ilişkin ışımaverilerinin bulunması gerekir.

Dağ zincirlerinin olduğu bölgelerde, sadece radyometrik istasyonlardan alınan verilerle, tüm bölge için güneş ışıması seviyelerinin hesaplanması

ANN, Neuro-Fuzzy





19/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.2) Güneş Enerjisi

3.2.2) Active solar design

• Fotovoltaik sistemlerde karşılaşılan başka bir problem de onların en uygunboyutlarının belirlenmesidir. Bu problem, kabul edilebilir ve kaliteli enerjinin düşükmaliyetle elde edilebilmesi gibi kısıtları içerisinde barındırdığından dolayı oldukçakarmaşıktır.

Akım-voltaj karakteristiklerine bakarak, fotovoltaik güneş hücrelerinin vemodüllerinin elektriksel parametrelerinin belirlenmesi ve buna karşı düşen enyüksek güç noktasının belirlenmesi.

Genetic Algorithms(GA)

Farklı sistem ve çalışma koşullarını dikkate alarak düz levhalı güneş enerjili havaısıtıcılarının termal performansını en yükseğe çıkarma

Genetic Algorithms(GA)

Fotovoltaik m odüllerin enerji çıktılarını en yüksek yapma amacıyla modüllerin tiltaçılarının belirlenmesi

Particle SwarmOptimization (PSO)

Fotovoltaik sistemlerin en uygun boyutlandırılması ANN ve GA






20/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.3) Bio-Enerji

3.3.1) Giriş• Bio-enerji bio- kütle adı verilen ve biyolojik kaynaklardan elde edilen malzemelerle

üretilen yenilenebilir enerjidir. Bio -kütle, bitki ve hayvanlar da dahil olmak üzere tümyaşayan ya da yaşamış canlıların atıklarından elde edilen biyolojik malzemedir.

• Bio- enerji geleceğin en ümit verici enerji kaynaklarından biri olarak görülmesinerağmen bio-kütleden enerji üretiminin teknik ve ekonomik olarak akla yatkınolduğunun ispatlanması için daha da araştırma yapılması gerekmektedir.

• Bio- kütle elektrik üretme amacıyla buhar üretmek için, veya endüstride ve konutlardaısınma amacıyla yakılabilir.

• Ayrıca, bio-kütle metan gazı, etanol ve bio-dizel gibi kullanılabilir diğer yakıtformlarına dönüştürülebilir.

• Dünyada ellinin üzerinde ülkede bio -kütle güç istasyonları vardır ve şebekelere olankatkıları her geçen gün artmaktadır.

• Bio- kütleden enerji üretiminin sürdürülebilirliği, fiyat, etkinlik, sera gazı emisyonu,bulunabilirliği, kısıtları, sosyal etkileri vb. Faktörler dikkate alınarakdeğerlendirilebilir.

Orman atıklarının bio- kütle kaynağı olarak kullanıldığı dağıtık bir güç üretim ağında bio- kütle enerji sisteminin en uygun yerinin belirlenmesi

binary PSO-basedmethod






21/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.4) Jeotermal Enerji

3.4.1) Giriş• Jeotermal enerji yeryüzünde ısı olarak bulunan bir enerjidir. Jeotermal ısı pompaları

hem ısıtma hem de soğutma amacıyla kullanılan oldukça etkin yenilenebilir enerjiteknolojileriidir.

• Bu teknoloji, derinlerdeki ısının yeryüzüne göre daha sabit olduğu, yani kışın daha ılıkyazın ise daha serin olduğu gerçeğine dayanmaktadır.

• Jeotermal enerji kullanmanın temel avantajı sabit olması nedeniyle herhangi birkesintiye uğramadan günde 24 saat enerji üretebilmesidir.

• Bir jeotermal güç istasyonunun kurulması oldukça pahalıdır ancak işletim maliyetleridüşüktür, böylece toplamda düşük maliyetli bir enerji kaynağı olabilir.

• Dünyada halen 19 ülkede kullanılmaktadır. Ancak, dünyadaki potansiyelin çok küçükbir kısmı kullanılabilmektedir ve oldukça büyük bir rezerv elektrik üretimi veyadoğrudan kullanım için beklemektedir.

Düşük entalpili jeotermal akiferden (yeraltı su havzası) enerji elde etmesisteminin, istenilen akış için gerekli yıllık pompalama maliyeti ve boru ağının (kuyulardan tanka) amortisman maliyeti anlamında optimizasyonu







22/3316/01/2015

3) Yenilenebilir ve Sürdürülebilir Enerji Sistemlerinde Opt. Uyg.3.5) Hibrit Sistemler

3.5.1) Giriş• Son on yılda, üretilen enerji miktarının en yüksek harcanan enerji miktarının ise en

düşük olması için kullanılan hibrit güç üretim sistemlerinin tasarım ve kontrolüne olanilgide gözle görülür bir artış kaydedilmiştir.

• Bu sistemlerde amaç, bir yandan tepe yükün karşılanmasına olan katkının en yüksekolmasını sağlarken diğer taraftan kesikliğin ve maliyetin en aza indirilmesidir.

Rüzgar enerjisi de içeren güç sistemlerinin ekonomik yük dağılımı optimizasyonu.

Multi-Objective Evolutionary Algorithm(MOEA) ve GA

İzole hibrit sistemlerin çok-amaçlı tasarımı, buradaki amaçlar, elde edilen enerji miktarının en yükseğe çıkarılması, toplammaliyet ve kirletici emisyonlarının ise en aza indirilmesidir.

Multi-Objective Evolutionary Algorithm(MOEA) ve Strength Pareto EvolutionaryAlgorithm (SPEA)

Rüzgar-güneş-batarya şeklindeki bir hibrit sisteminboyutlandırma optimizasyonunun, yıllık maliyetinin ve güç kaybı olasılığının en aza indirilmesi amacı altında gerçekleştirilmesi


Endüstriyel kullanımlarda yatırımın ekonomik karlarının enyüksek yapılması için Rüzgar-fotovoltaik kapasitekoordinasyonunun optimizasyonu

Particle Swarm Optimization (PSO)

Bağımsız bir fotovoltaik- rüzgar jeneratör sisteminde, en uygunünite tipi ve sayısını seçilerek, maliyetin en aza indirilmesi ve yük gereksinimlerinin tamamen karşılanması anlamında en uygunboyutlandırmanın yapılması







23/3316/01/2015

4) Modelleme ve Tahmin4.1) Giriş

4.1.1) Modelleme Kavramı

• Modelleme, gerçek dünyadaki bir sürecin davranışının analitik olarak ifade

edilemediği, ya da başka bir deyişle temel yasalarla ifade edilemediği durumlardabaşvurulan bir yöntemdir. Burada süreç ile, biyolojik, fiziksel, kimyasal, elektriksel,mekanik, meteorolojik, sosyal, finansal vs her türlü dinamik sistem kastedilmektedir.

• Gerçek dünyada bu tarzda pek çok sistem bulunmaktadır. Örneğin, hava durumuanalitik olarak ifade edilemeyecek kadar karmaşık dinamik bir sistemdir ve dolayısıylamodellenmesi gerekir. Benzer şekilde, borsa da içinde çok sayıda değişken barındırankarmaşık bir sistemdir. Enerji sistemleri de bu kapsama girmektedir .

• Elektriksel Yük tahmini • Enerji İhtiyacı Tahmini

• O yüzden, gerekli durumlarda, bu tip süreçlerden yeterli miktarda veri toplanıp buverilerle güvenilir bir model elde etme yoluna gidilir.






24/3316/01/2015


4.1.2) Veri Tipleri Giriş-Çıkış Verisi

⋮

⋮

M M Giriş verisi Çıkış verisi

... ...

1 ... ...

2 ... ...

⋮ ⋮ ⋮

N ... ...






25/3316/01/2015


4.1.2) Veri Tipleri Zaman Serisi

1 2 3 4 5 6 … 1

?

S Giriş verisi Çıkış verisi

... 1

1

2 ...

1

2 2 3 ... 1 2

⋮ ⋮ ⋮ 1 ... 1






26/3316/01/2015

4) Modelleme ve Tahmin4.2) Modelleme ve Model Seçme

4.2.1) Modelleme ve Model Seçme

M M Giriş Verisi Çıkış Verisi Model Çıkışı

... ... ... 1 ... ... ... 2 ... ... ...

⋮

⋮

⋮

⋮ N ... ... ...

∈ ℝ

∈ ℝ

M M , =

⋮

⋮

gerçek model

optimum model

şı ı

HİPOTEZ UZAYI

kestirilen model

ℎ ı

ℎ ı

HEDEF UZAY




4. Yenilenebilir Enerji Sistemleri Kış Okulu│ Prof. Dr. Serdar İPLİKÇİ 27/3316/01/2015


4.2.1) Modelleme ve Model Seçme

ℎ

aşırı -öğrenme az- öğrenme

modelin karmaşıklığı Ampirik hata

eğitim (training)

doğrulama (validation)

test






4.2.2) Amaç Fonksiyonu

min , , ∈ R=

∈ R=

1 , , ∈V L=

Karmaşıklığı

en uygun model





4) Modelleme ve Tahmin4.3) Örnek: Yapay Sinir Ağı ile Kaotik Zaman Serisi Tahmini

4.3.1) YSA Yapısı

Σ

1

ℎ

Σ

1

ℎ

Σ −

1

ℎ

Σ

1

ℎ

⋮ Σ ç

1

,ç

,ç

, −ç

,ç

⋮

⋮

−

,

, ℎ − −

,⋮,,⋮

,⋮

,⋮,

⋮

,ç

⋮,çç

+ ←

1

ℎ ç

Σ

g i r i ş i ş a

r e

t l e r

içıkış işareti

⋮

giriş ağırlığı

toplamabloğu

bias ağırlığı

aktivasyon fonksiyonu

çıkış ağırlığı

giriş ağırlığı

Tek nöron (sinir) yapısı

Nöron (sinir) ağı yapısı






4.3.2) Veriler

0 20 40 60 80 100 120 140 160 180 2000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

k

x k

Kaotik Logistic Map + 3.9 1 , 0.2





0 50 100 150 200 2500

0.2

0.4

0.6

0.8

1LM VERI:logistic EGITIM VERISI SAYISI=119 TEST VERISI SAYISI=80 NORON SAYISI=10 GURULTU GENLIGI=0.01

gercek yorungeen iyi model cikisitahmin cikisi

50 100 150 200 2500

0.05

0.1

0.15

0.2

iterasyon

h a t a

egitim hatasi

training errortest error

31/3316/01/2015


4.3.3) Model Çıkışları

190 192 194 196 198 200 202 204 2060

0.2

0.4

0.6

0.8





5) Sonuçlar

• Yenilenebilir enerji problemlerini çözmek için kullanılan optimizasyon yöntemleri gittikçe artmakta ve gelişmektedir. Bu yöntemler özellikle hibrit sistemlerde çok kullanılmaktadır.

• Bu optimizasyon yöntemlerinin bazıları geleneksel yaklaşımlara (mixed-integer veinterval linear-programming, Lagrangian relaxation, quadratic programming, veNelder –Mead Simplex) dayanmaktayken, gittikçe artan sayıda önemli bir kısmı ise GAve PSO gibi sezgisel yöntemlerden oluşmaktadır .

• Diğer taraftan, yenilenebilir enerji sistemlerindeki çok-amaçlı problemler genelliklePareto-optimizasyon teknikleriyle çözülmüştür.

• Optimizasyon teknikleriyle şu problemler çözülebilir:• Planlama• Arz-talep dengesi yönetimi • Tasarım parametreleri optimizasyonu• Güç eğrisi tahmini• Konfigürasyon • Ekonomik yük dağılımı optimizasyonu• Rüzgar -fotovoltaik kapasite koordinasyonu• Modelleme ve tahmin




TEŞEKKÜRLER...

serdar i̇pli̇kçi̇ yeni̇lenebi̇li̇r enerji̇ si̇stemleri̇nde opti̇mi̇zasyon uygulamalari

Documents