Short-Term Wind Speed Forecasting Using Adaptive Neuro-Fuzzy Inference System Based on Differential Evolution Algorithm

Üretimplanlaması ve güç sistemlerinin yönetilmesi açısından rüzgar enerjisistemlerinden üretilecek elektrik enerjisinin belirli periyotlar için tahminedilmesi gerekmektedir. Bu kapsamda, asimetrik ve kararsız yapıdaki rüzgar hızı verilerinin hassas birşekilde tahmin edilebilmesi için bir çok farklı rüzgar hızı kestirimyaklaşımları önerilmiştir. Bu çalışma kapsamında, diferansiyel gelişimalgoritması (DE) yaklaşımı ile optimize edilen uyarlamalı sinirsel bulanıkçıkarım sistemi (ANFIS) kullanılarak kısa dönemli (1 saat) rüzgar hızı tahminmodelleri geliştirilmiştir. Çalışma kapsamında ele alınan yöntemde, diferansiyel gelişim sezgisel yaklaşımıkullanarak model parametreleri kısa dönemli rüzgar hızı tahmini içinbelirlenmiş ve karşılaştırmalı olarak analiz edilmiştir. Önerilen yaklaşımıntahmindeki performans kriterlerini doğrulamak için Bilecik ilinde bulunan birgözlem istasyonundaki rüzgar hızı serileri kullanılmıştır. ANFIS modelparametrelerinin optimizasyonunda kullanılan sezgisel algoritma 10 kez tekrarlıbağımsız olarak çalıştırılmış ve eğitim-test performans sonuçları istatistikselolarak sunulmuştur. Ayrıca önerilenhibrit modelin performansı literatürde iyi bilinen Levenberg-Marquardtalgoritması eğitilen ileri beslemeli yapay sinir ağı (ANN) sonuçları ile dekarşılaştırılarak yorumlanmıştır.
Theelectrical energy to be produced from wind energy systems should be estimatedfor some periods in order to generation planning and power systems management.In this context, many different wind speed forecasting approaches have beenproposed for accurate estimation of asymmetric and unstable wind speed data. Inthis paper, short-term (1h) wind speed forecasting models have been developedby using Adaptive Neuro Fuzzy Inference System (ANFIS) based on DifferentialEvolution Algorithm (DE). In this paper, the model parameters have beendetermined by differential evolution heuristic approach for short-term windspeed forecasting and analyzed comparatively. To validate the effectiveness ofthe proposed approach, wind speed series collected from a wind observationstation located in Bilecik, Turkey are used in the short-term wind speedforecasting. The meta-heuristic algorithm used in theoptimization of ANFIS model parameters are run 10 times independently and theperformance results are calculated statistically for training and test phasesof ANFIS model. The performances of proposed hybrid models are also comparedwith the well-known feed forward ANN model which is trained by Levenberg-Marquardtin the literature.