Abstract
Enerjinin mümkün olduğu sürece yenilenebilir
kaynaklardan sağlanması sürdürülebilir kalkınmanın en önemli
gerekliliklerindendir. Rüzgâr enerjisi, mevcut potansiyel bakımından Türkiye
coğrafyasında önemli bir yere sahiptir. Ülkemizde tüketilen enerjinin önemli
bir kısmı fosil yakıtlarla ve ithal edilen kaynaklarla sağlanmaktadır. Bu
durum, ülkemizi stratejik ve ekonomik olarak olumsuz etkilemektedir. Tüm
dünyada olduğu gibi ülkemizde de yenilenebilir enerji yatırımları artmaktadır.
Yenilenebilir enerji potansiyellerinin doğru bir şekilde belirlenmesi,
yatırımın atıl konuma düşmesini önleyecektir. Bu çalışmada Meteoroloji İşleri
Genel Müdürlüğü’nden temin edilen geçmişe dönük 30 yıllık rüzgâr hızı, nem,
basınç, sıcaklık ve yağış miktarı verilerini kapsayan meteorolojik veri seti
kullanılmıştır. Bu veri setiyle Ankara ilinde bulunan örnek ilçeler için rüzgâr
hızı tahmini yapılmıştır. Matlab'da YSA modellerini oluşturmak için farklı
yapay sinir ağı öğrenme algoritmaları kullanılmıştır. Rüzgâr hızı tahmin sonuçlarına
bakıldığında; test verileri için ortalama mutlak yüzdesel hata (OMYH) Çubuk
için %9,48, Keçiören için %7,77, Polatlı
için %7,88, Bala için %6,83, Şereflikoçhisar için %8,02 ve Haymana için %5,41
şeklinde bulundu.
References
- i) https://www.tureb.com.tr/turebsayfa/basin-bildirisi/20-subat-2017, E. Tar.: 10.10.2018
- ii) http://www.emo.org.tr/ekler/da44881c9619855_ek.pdf, E. Tar.: 10.10.2018
- iii) https://setav.org/assets/uploads/2017/04/YenilenebilirEnerji.pdf, E. Tar.: 10.10.2018
- iv) Çam, E. vd. (2005), A Classification Mechanism For Determining Average Wind Speed And Power In Several Regions Of Turkey Using Artificial Neural Networks. Renewable Energy, 30 (2) : 227-239.
- v) Sözen, A. vd. (2005), Solar-Energy Potential In Turkey. Applied Energy, 80 (4): 367-381.
- vi) Yalçın, N., Yapay Sinir Ağları Ders Notları. Bilecik Üniversitesi.
- vii) Yavuz, S., Deveci, M. (2012), İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performasına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40: 167-187.
- viii) Karali, F.C., Ülengin, F. (2008), Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması. İtü Dergisi/d Mühendislik. 7 (3): 15-26.ix) Witt, S.F., Witt, C.A. (1992), Modeling and Forecasting Demand in Tourism, Academic Press, Londra, Britain.
- x) Lewis, C.D. (1982), Industrial and Business Forecasting Methods. Butterworths Publishing, Londra, Britain.
- xi) Chang, G. W. vd. (2016), A Hybrid Model for Forecasting Wind Speed and Wind Power Generation, 2016 IEEE Power and Energy Society General Meeting (PESGM), Boston: 1-5.
- xii) Eseye, A. T. vd. (2017), Short-Term Wind PowerForecasting Using a Double-Stage Hierarchical Hybrid GA-ANN Approach, 2017 İEEE 2nd İnternational Conference on Big Data Analysis, Beijing, 552-556.
- xiii) Selvi, B. Ş. vd., (2016), EMOFs Tekniği Kullanılarak Rüzgâr Gücü Tahmini Yapılması, Elektrik, Elektronik ve Biyomedikal Mühendisliği Konferansı, Bursa, 63-65.
- xiv) Anurag, M. Deo, M.C. (2003), Forecasting wind with neural networks, Marine Structures, 16: 35-49.
- xv) Finamore, A. R. vd. (2016), Artificial neural network application in wind forecasting: an one-hour-ahead wind speed prediction, 5th IET International Conference on Renewable Power Generation (RPG), London, (1-6).
Abstract
References
- i) https://www.tureb.com.tr/turebsayfa/basin-bildirisi/20-subat-2017, E. Tar.: 10.10.2018
- ii) http://www.emo.org.tr/ekler/da44881c9619855_ek.pdf, E. Tar.: 10.10.2018
- iii) https://setav.org/assets/uploads/2017/04/YenilenebilirEnerji.pdf, E. Tar.: 10.10.2018
- iv) Çam, E. vd. (2005), A Classification Mechanism For Determining Average Wind Speed And Power In Several Regions Of Turkey Using Artificial Neural Networks. Renewable Energy, 30 (2) : 227-239.
- v) Sözen, A. vd. (2005), Solar-Energy Potential In Turkey. Applied Energy, 80 (4): 367-381.
- vi) Yalçın, N., Yapay Sinir Ağları Ders Notları. Bilecik Üniversitesi.
- vii) Yavuz, S., Deveci, M. (2012), İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performasına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40: 167-187.
- viii) Karali, F.C., Ülengin, F. (2008), Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması. İtü Dergisi/d Mühendislik. 7 (3): 15-26.ix) Witt, S.F., Witt, C.A. (1992), Modeling and Forecasting Demand in Tourism, Academic Press, Londra, Britain.
- x) Lewis, C.D. (1982), Industrial and Business Forecasting Methods. Butterworths Publishing, Londra, Britain.
- xi) Chang, G. W. vd. (2016), A Hybrid Model for Forecasting Wind Speed and Wind Power Generation, 2016 IEEE Power and Energy Society General Meeting (PESGM), Boston: 1-5.
- xii) Eseye, A. T. vd. (2017), Short-Term Wind PowerForecasting Using a Double-Stage Hierarchical Hybrid GA-ANN Approach, 2017 İEEE 2nd İnternational Conference on Big Data Analysis, Beijing, 552-556.
- xiii) Selvi, B. Ş. vd., (2016), EMOFs Tekniği Kullanılarak Rüzgâr Gücü Tahmini Yapılması, Elektrik, Elektronik ve Biyomedikal Mühendisliği Konferansı, Bursa, 63-65.
- xiv) Anurag, M. Deo, M.C. (2003), Forecasting wind with neural networks, Marine Structures, 16: 35-49.
- xv) Finamore, A. R. vd. (2016), Artificial neural network application in wind forecasting: an one-hour-ahead wind speed prediction, 5th IET International Conference on Renewable Power Generation (RPG), London, (1-6).
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Linguistics |
| Journal Section | Research Article |
| Authors | |
| Publication Date | May 31, 2019 |
| Published in Issue | Year 2019 Volume: 8 Issue: 1 |