Kompleks-Değerli Veriler Kullanılarak Derin Öğrenme Yöntemleri ile Rüzgar Hızı ve Yönü Tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Kayseri Üniversitesi, Lisansüstü Eğitim Enstitüsü, ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: YUNUS DUYAR

Asıl Danışman (Eş Danışmanlı Tezler İçin): Engin Cemal Mengüç

Eş Danışman: Alper Emlek

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez çalışmasında, kısa vadeli rüzgâr hızı ve yönü tahmini için kompleks-değerli sinyal temsiline dayalı bir yaklaşım önerilmiş ve bu yapının farklı derin öğrenme modelleriyle başarımı değerlendirilmiştir. Rüzgâr sinyali, genlik ve faz bileşenleriyle kompleks düzlemde ifade edilerek, klasik yöntemlere kıyasla daha bütüncül bir yapı sunulmuştur. Bu kapsamda MLP, 1D-CNN, LSTM, BiLSTM, GRU ve 1D-CNN+LSTM olmak üzere altı farklı model iki ayrı zaman dilimine ait veri kümeleriyle test edilmiştir. Modellerin eğitim başarımları; standart tahmin kazancı, korelasyon katsayısı ve kayıp fonksiyonu gibi metrikler üzerinden değerlendirilmiştir. Elde edilen bulgulara göre, BiLSTM modeli hem hız hem yön tahmininde en yüksek doğruluğa ve en düşük kayıp değerine ulaşmıştır. LSTM ve 1D-CNN modelleri de eğitim süresi ve performans açısından etkili sonuçlar vermiştir. MLP modeli ise kısa eğitim süresine rağmen düşük doğrulukla sınırlı kalmıştır. Bu çalışma, kompleks-değerli sinyal temsiline dayalı yapıların derin öğrenme modelleri ile entegrasyonunun, rüzgâr tahmini gibi yönlü büyüklüklerde yüksek doğruluk sunduğunu ortaya koymuştur. Elde edilen sonuçlar, söz konusu modellerin yenilenebilir enerji sistemleri ve yenilenebilir enerji kaynaklarının entegrasyonu gibi alanlarda etkin şekilde kullanılabileceğini göstermektedir.