Static and dynamic modeling of biomass gasification and hybrid renewable energy generation system

Abstract

Sanayileşme ve nüfus artışıyla birlikte yükselen enerji talebi, alternatif enerji kaynaklarına olan ilgiyi ön plana çıkarmıştır. Çevresel olarak sürdürülebilir olmalarına rağmen, bu enerji kaynakları yüksek değişkenlik ve düşük tahmin edilebilirlik özellikleriyle karakterize edilir. Bu tez, öncelikle biyokütle gazlaştırma ürünlerinin statik ve dinamik tahminine ve ardından rüzgar ve güneş sistemleriyle hibrit entegrasyonuna odaklanmaktadır. Çalışma üç ayrı bölümden oluşmaktadır. Birinci bölümde, gazlaştırma parametreleri ve reaksiyon ürünleri arasındaki doğrusal olmayan ilişkileri ortaya çıkarmak için yapay zeka yöntemleri (En Küçük Kareler, Gauss Çekirdeği, Genelleştirilmiş Eklemeli Modeller, Rastgele Orman Modeli ve Yapay Sinir Ağları) uygulanmıştır. Çalışma süresinin bağımsız değişken olarak modele dahil edilmesinin, modellerin performansı üzerindeki etkisine özel önem verilmiştir. Bu değişken, modele faz bilgisi sağlayarak farklı ardışık deneysel verilerin birleştirilmesine olanak tanımış olup modellerin performansını iyileştirmiştir. Daha önce yapılan çalışmalardan farklı olarak, model değerlendirmesi için iç içe çapraz doğrulama yöntemi tercih edilmemekte ve bu yöntemin tarafsızlığı vurgulanmaktadır. İkinci bölüm, gazlaştırıcı çıktılarının (H2 kütlesel oranı ve ürünün Yüksek Isıtma Değeri) zaman serisi tahminine ilişkin zorlukları ele alarak, statik modellerinin kısıtlamalarının üstesinden gelmeyi amaçlamaktadır. İlk olarak, doğrudan (tek adımlı) tahmin için Uzun Kısa Süreli Bellek (LSTM) mimarileri değerlendirilmektedir. Ayrıca, kodlayıcı - çözücü LSTM kullanılarak özyinelemeli (çok adımlı) tahmin yöntemi uygulanmakta ve üç tahmin ufku analiz edilmektedir: 5 adımlı, 10 adımlı ve 30 adımlı. Üçüncü bölümde, Türkiye'deki üç bağımsız güneş, rüzgar ve biyokütle santralinin ve bunların süperpozisyonu olarak hayali bir hibrit sistemin güç çıkışını tahmin etmek için iki transformatör tabanlı model yapısı önerilmiştir: a) sıralı çıkışlı tam transformer kodlayıcı-çözücü mimarisi ve b) tahmin edilen değerler olarak bağımsız örneklere sahip daha basit bir transformer benzeri model. Önerilen mekanizma için dışsal meteorolojik ve topolojik girdi verilerine ihtiyaç duyulmadığından, önceki çalışmaların çoğunun aksine, çok değişkenli tahmin ve büyük miktarda veri kullanılmadan tek değişkenli tahmin yapılmaktadır. Kaydırma penceresi yaklaşımı etkili bir şekilde uygulanmaktadır. Saatlik veri serisi için bir ila altı adım ilerisi tahmin edilmektedir.The increasing energy demand due to growing industrialization and human population has increased the interest towards alternative energy sources. Although environmentally sustainable these energy sources are characterized of high variability and poor predictability. This thesis focuses primarily on the static and dynamic forecasting of biomass gasification output and subsequently its hybrid integration with wind and solar systems. The study is organized in three distinct chapters. In first chapter artificial intelligence methods (Least squares, gaussian kernel, generalized additive models, random forest, and artificial neural networks ) are applied to reveal the nonlinear relations between the gasification parameters and the reaction products. Special attention is paid to the effect of operating time as a predictor on the performances of the models formed, as its introduction provides the phase information to the model which allows the combination of different sequential experimental data and improves the models' performance. Unlike most preceding studies in which hold-out is preferred, nested cross-validation is utilized for model evaluation emphasizing the unbiased nature of the latter method. The second chapter addresses the challenges regarding time-series forecasting of gasifier outputs (H2 content and High Heating Value of the product), overcoming the limitations of steady-state models. Firstly, Long Short-Term Memory (LSTM) architectures are evaluated for direct (one-step ahead) forecasting. Secondly, recursive (multi-step) forecasting using an encoder-decoder LSTM is employed, analyzing three forecasting horizons: 5-step, 10 step, and 30-step-ahead. In the third chapter, two transformer-based model structures: a) a full-transformer encoder-decoder architecture with sequential output and b) a simpler transformer-like model with independent instances as forecasted values are proposed to forecast the power output of three independent solar, wind, and biomass stations in Türkiye and a fictitious hybrid as their superposition. No exogenous meteorological and topological input data is required for the proposed mechanism, and hence, univariate forecasting is performed, unlike the majority of the preceding studies, which utilize multivariate forecasting and a vast amount of data. The sliding window approach is effectively applied. One to six steps ahead are predicted for the series of hourly data.