Yapay Sinir Ağları ile Rüzgâr Enerji Verimliliğine Yönelik Yeni Bir Tahmin Yaklaşımı: Çanakkale ili Bozcaada Örneği

Abstract

Bu çalışmada, dünya üzerinde giderek artan yenilenebilir enerji kaynakları arasında ciddi bir yatırıma sahip olan rüzgâr enerjisinin daha verimli nasıl elde edilebilirliğini yapay sinir ağlar (YSA) ve uygulanacak program olan matriks laboratuvar (MATLAB) programı ile yeni bir verimlilik yaklaşımı önerilmiştir. Önerilen bu yaklaşım ile makine öğrenmesi algoritmalarının ve veri ön işleme gibi gereksinimleri bir arada sunan Java ile geliştirilen Weka (Waikato Environment for Knowledge Analysis) da kullanılmıştır. Kullanılan veriler Çanakkale ili Bozcaada ilçesine aittir. 2014 yılında Meteoroloji Genel Müdürlüğü’nden temin edilen rüzgâr hızı, nem, basınç ve sıcaklık verilerini kapsamaktadır. Bu veri setleriyle rüzgâr hız tahmin yapılmıştır. Rüzgâr hızı tahmin sonuçlarına bakıldığında; WEKA’ da Lineer Regresyon algoritmasından faydalanarak korelasyon katsayısının yüksek hata oranını (Cross Correlation, CC) 0.6797 ve Kök Ortalama Hata Karesi (Root Mean Square Logaritmic Error, RMSE) 0.1558 değeri düşük çıkmıştır. Matlab’da ise Levenberg-Marquardt eğitim algoritması kullanılmıştır ve eğitim verisi için regresyon değeri R=0.9998, doğrulama verisi için regresyon değeri R=0,99991, test verisi regresyon değer R=0,62945 ve tüm değerler verisi için regresyon olup değeri R=0,8971 olarak elde edilmiştir. RMSE değerimiz ise 8,0266*e^4 olarak bir değer bulunmuştur. Buradan sonuçla girilen verililerimiz her iki program için uygulanan YSA göz önünde bulundurularak MATLAB, WEKA programına göre daha iyi sonuçlar elde ettiği gözlemlenmiştir.

Keywords

• Yenilenebilir enerji kaynakları
• Rüzgâr enerjisi
• Yapay sinir ağları
• MATLAB
• WEKA

A New Forecasting Approach for Wind Energy Efficiency with Artificial Neural Networks: The Case of Bozcaada in Çanakkale Province

Abstract

In this study, a new efficiency approach is proposed with artificial neural networks (ANN) and matrix laboratory (MATLAB) program, which is the program to be applied, to determine how wind energy, which has a serious investment among the increasing renewable energy sources in the world, can be obtained more efficiently. With this proposed approach, Weka (Waikato Environment for Knowledge Analysis) developed in Java, which offers a combination of machine learning algorithms and requirements such as data preprocessing, was also used. The data used belong to Bozcaada district of Çanakkale province. In 2014, it includes wind speed, humidity, pressure and temperature data obtained from the General Directorate of Meteorology. Wind speed prediction was made with these data sets. Looking at the wind speed estimation results; In WEKA, using the Linear Regression algorithm, the high error rate of the Cross Correlation (CC) was 0.6797 and the Root Mean Square Logarithmic Error (RMSE) was 0.1558. In Matlab, the Levenberg-Marquardt training algorithm was used and the regression value for the training data was R=0.9998, the regression value for the validation data was R=0.99991, the regression value for the test data was R=0.62945 and the regression value for all values data was R=0.8971. Our RMSE value was found to be 8.0266*e^4. From this result, considering the ANN applied for both programs, MATLAB is more accurate than the WEKA program.

Keywords

• Renewable energy sources
• Wind energy
• Artificial neural networks
• MATLAB
• WEKA

References

1. Altınsoy, M., ve Güngör, B. A. L. (2019). Uzun dönem rüzgâr hızı tahmininde yapay sinir ağlarının kullanımı ve performans İncelemesi. Mesleki Bilimler Dergisi (MBD), 8(1), 21-28.
2. Bakırov, R., ve Aslan, Z. (2023). Rüzgâr şiddetinin yapay sinir ağları yöntemleri ile modellenmesi. Anadolu Bil Meslek Yüksekokulu Dergisi, 17(66), 117-137.
3. Bektaş, Ö. (2019). Rüzgâr türbinlerinde maksimum güç izleme yöntemleri ve MATLAB/Simulink uygulaması. Yüksek Lisans Tezi, İnönü Üniversitesi, Fen Bilimleri Enstitüsü, Malatya.
4. Che, Y., Peng, X., Delle Monache, L., Kawaguchi, T., Xiao, F. (2016). A wind power forecasting system based on the weather research and forecasting model and Kalman filtering over a wind-farm in Japan. Journal of Renewable and Sustainable Energy, 8(1), 013302.
5. Ergün, K., ve Aşnaz, M. S. K. (2019). Evaluation and Estimation of Wind Speed With Data Mining Methods. 11th International Statistics Congress, Bodrum, Türkiye.
6. Ertürk, S., Hakan, K., Akkuş, C., & Genç, G. (2023). Türkiye’de Farklı İklim Kuşakları İçin Yapay sinir ağları Kullanılarak Güneş Işınımının Tahmini. Gazi University Journal of Science Part C: Design and Technology, 11(4): 885-892.
7. İnan, T., Baba, A. (2020). Rüzgâr Hızının Yapay sinir ağları ve ANFIS Metotları Kullanılarak Tahmin Edilmesi (Ölçüm Şamandırası Örneği). Innovations in Intelligent Systems and Applications Conference, ASYU2020, İstanbul, Turkey, 15 -17 October 2020.
8. Kırbaş, İ. (2018). İstatistiksel metotlar ve yapay sinir ağları kullanarak kısa dönem çok adımlı rüzgâr hızı tahmini. Sakarya University Journal of Science, 22(1), 24-38.

9. Özcan, İ., Şahin, A. Ş., Dikmen, E., ve Bayram, G. (2013). Isparta İlinde Rüzgâr Hızı Değerlerinin Belirlenmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 17(1), 109-112.
10. Rüşen, S. E., & Kılınçvur, A. (2023). Küresel Güneş Radyasyonu Tahmin Modelleri için Yapay Sinir Ağı Tabanlı WEKA Kullanımı. International Journal of Advanced Natural Sciences and Engineering Researches (IJANSER), 7(11), 238-243.
11. Sarp, A. O., Mengüç, E. C. (2019). Rüzgâr Hızı Tahmini İçin Yapay Sinir Ağı ve Adaptif Sansürleme Tekniği Tabanlı Yeni Bir Hibrit Yaklaşım.
12. Söyler, H., & Kızılkaya, O. (2023). Türkiye’de CO2 Emisyonlarının Belirleyicileri: Çok Katmanlı Yapay sinir ağları ile Bir Uygulama. MANAS Sosyal Araştırmalar Dergisi, 12(Özel Sayı), 105-116.
13. Şenol, Ü., ve Musayev, Z. (2017). Rüzgâr Enerjisinden Elektrik Üretiminin Yapay sinir ağları İle Tahmini. Bilge Uluslararası Fen ve Teknoloji Araştırmaları Dergisi, 1(1), 23-31.
14. Taşar, B., Fatih, Ü., Demirci, M., ve Kaya, Y. Z. (2018). Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 543-551.
15. Türkyılmaz, S. (2022). Rüzgâr Hızlarında Uzun Hafıza: Amasra Bölgesi için Bir Zaman Serisi Analizi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9(2), 990-1005.
16. Unes, F., Kasalı, D., Taşar, B. (2019). Meteorolojik Ölçüm Verilerini Kullanarak Mamdani-Bulanık Mantık Yöntemi ile Rüzgâr Hızının Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2(1), 97-104.
17. URL-1 (2023). https://enerji.gov.tr/bilgi-merkezi-enerji (Erişim Tarihi: 10.01.2023)
18. URL-2 (2023). https://www.mathworks.com/help/deeplearning (Erişim Tarihi: 10.01.2023)