Meterolojik Ölçüm Verilerini Kullanarak Mamdani-Bulanık Mantık Yöntemi ile Rüzgar Hızının Tahmini

Year 2019, Volume: 2 Issue: 1, 97 - 104, 30.12.2019

Farih Unes Didem Kasal1 Bestami Taşar

Abstract

Yenilenebilir enerji kaynağı olan rüzgâr enerjisinden maksimum seviyede yararlanabilmek, kontrolünü sağlamak ve izlemek için rüzgâr hızı tahmini önemlidir. Bu çalışmada, rüzgar hızını etkileyen faktörler bulanık mantık ile tahmin üzerine çalışılmıştır. Uygulama alanı olarak, Amerika Birleşik Devletine ait Nevada bölgesi kullanılmıştır. Ortalama buharlaşma (ET), hava sıcaklığı (T) gibi hidrolojik parametreleri içeren 2010-2012 yılları arasındaki 2 yıllık veriler rüzgâr hızını (RH) tahmin etmek için girdi verileri olarak kullanılmıştır. Sonuçların tahmin edilebilmesi için geçmiş yılların verilerinden yardım alınmıştır. Bulanık Mantık Mamdani (M-BM) ve Bulanık Mantık Sugeno (S-BM) metotları ile Çoklu Lineer Regresyon (ÇLR) yöntemi kullanılarak rüzgar tahmininde bulunuldu ve sonuçlar arazi gözlem dataları ile karşılaştırılmıştır.

Keywords

Tahmin, Rüzgar Hızı, Bulanık Mantık, Mamdani, Sugeno

References

• [1] Kurban M., Kanta YM., & Hocaoglu FO. Weibull Dağılımı Kullanılarak Rüzgar Hız ve Güç Yoğunluklarının İstatistiksel Analizi, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 2007; 7(2): 205-218.
• [2] Yağcı E. Rüzgâr Hızı yükseltmelerinde kullanılan farklı yöntemlerin karşılaştırılması ve hata analizleri. Doktora tezi, Enerji Enstitüsü ;2013.
• [3] Liu H., Tian HQ., Li YF. Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction, Applied Energy 2012; 98: 415-424.
• [4] Salcedo-Sanz S., Ortiz-Garcı EG., Pérez-Bellido ÁM., Portilla-Figueras A., Prieto L. Short term wind speed prediction based on evolutionary support vector regression algorithms, Expert Systems with Applications 2011; 38(4): 4052-4057.
• [5] Gülersoy T., Çetin NS. Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi 2010; 13(3): 209-213.
• [6] Lei M., Shiyan L., Chuanwen J., Hongling L., Yan Z. A review on the forecasting of wind speed and generated power, Renewable and Sustainable Energy Reviews 2009; 13(4): 915-920.
• [7] Barbounis TG., Theocharis JB. Locally recurrent neural networks for wind speed prediction using spatial correlation, Information Sciences 2007; 177(24): 5775-5797.
• [8] Bilgili M., Sahin B., Yasar A. Application of artificial neural networks for the wind speed prediction of target station using reference stations data, Renewable Energy 2007; 32(14): 2350-2360.
• [9] Mohandes MA., Halawani TO., Rehman S., Hussain AA. Support vector machines for wind speed prediction. Renewable Energy 2004; 29(6): 939-947.
• [10] Taşar B., Üneş F., Demirci M., Kaya YZ. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini, DÜMF Mühendislik Dergisi 2018; 9(1): 543-551.
• [11] Üneş F., Doğan S., Taşar B., Kaya Y., Demirci M. The Evaluation and Comparison of Daily Reference Evapotranspiration with ANN and Empirical Methods. Natural and Engineering Sciences 2018; 3(3): Supplement, 54-64.
• [12] Kaya, YZ., Taşar, B. Evapotranspiration Calculation for South Carolina, USA and Creation Different ANFIS Models for ET Estimation. ”Air and water – components of the environment” conference proceedings p. 217-224, Cluj-Napoca Romania, 2019, DOI: 10.24193/AWC2019_22.
• [13] Demirci M., Üneş F., Saydemir S. Suspended sediment estimation using an artificial intelligence approach. In: Sediment matters. Eds. P. Heininger, J. Cullmann. Springer International Publishing; 2015 p. 83–95.
• [14] Tasar B., Kaya YZ., Varcin H., Üneş F., Demirci M. Forecasting of Suspended Sediment in Rivers Using Artificial Neural Networks Approach, International Journal of Advanced Engineering Research and Science (IJAERS) 2017; 4(12): 79-84.
• [15] Tașar, B., Unes, F., Varcin, H. Prediction of the Rainfall – Runoff Relationship Using Neuro-Fuzzy and Support Vector Machines. ”Air and water – components of the environment” conference proceedings p. 237-246, Cluj-Napoca, Romania 2019 DOI: 10.24193/AWC2019_24.
• [16] Üneş F., Bölük O., Kaya YZ., Taşar B., Varçin H. Estimation of Rainfall-Runoff Relationship Using Artificial Neural Network Models for Muskegon Basin, International Journal of Advanced Engineering Research and Science (IJAERS) 2018; 5(12): 198-205. http://dx.doi.org/10.22161/ijaers.5.12.28
• [17] Kaya, YZ., Üneş, F., Demirci, M., Tasar, B., Varcin, H. Groundwater Level Prediction Using Artificial Neural Network and M5 Tree Models. Air and water components of the environment conference, 2018; DOI: 10.24193/AWC2018_23
• [18] Demirci M., Taşar B., Kaya YZ, Varçin, H. Estimation of Groundwater Level Fluctuations Using Neuro-Fuzzy and Support Vector Regression Models, International Journal of Advanced Engineering Research and Science 2018; 5(12): 206-212. http://dx.doi.org/10.22161/ijaers.5.12.29
• [19] Demirci, M., Unes, F., Kaya, YZ., Mamak, M., Tasar, B., Ispir, E. Estimation of groundwater level using artificial neural networks: a case study of Hatay-Turkey. In 10th International Conference „Environmental Engineering “ 2017, March.
• [20] Demirci M., Üneş F., Körlü S. Modeling of groundwater level using artificial intelligence techniques: a case study of Reyhanlı region in Turkey. Applied Ecology and Env. Research 2019; 17(2): 2651-2663. http://dx.doi.org/10.15666/aeer/1702_26512663
• [21] Kaya, YZ., Üneş, F., Demirci, M., Taşar, B., Varçin, H. Groundwater Level Prediction Using Artificial Neural Network and M5 Tree Models. Aerul si Apa. Componente ale Mediului, 2018,195-201.
• [22] Üneş F., Demirci M., Mertcan Z, Taşar B., Varçin H., Ziya Y. Determination of Groundwater Level Fluctuations by Artificial Neural Networks. Natural and Engineering Sciences 2018; 3(3): Supplement, 35-42.
• [23] Üneş F, Maruf AG., Taşar B. Ground Water Level Estimation for Dörtyol region in HATAY. International Journal of Environment, Agriculture and Biotechnology 2019; 4(3): 859-864.
• [24] Demirci M., Unes F. “Generalized Regression Neural Networks For Reservoir Level Modeling”, International Journal of Advanced Computational Engineering and Networking 2015; 3: 81-84.
• [25] Üneş F., Demirci M., Taşar B., Kaya YZ., Varçin H. Estimating Dam Reservoir Level Fluctuations Using Data-Driven Techniques, Pol. J. Environ. Stud. 2019; 28(5): 1-12. DOI: 10.15244/pjoes/93923
• [26] Üneş F., Demirci M., Taşar B., Kaya YZ., Varçin, H., Modeling of dam reservoir volume using generalized regression neural network, support vector machines and M5 decision tree models. Applied Ecology and Environmental Research 2019; 17(3): 7043-7055.
• [27] Demirci, M., Üneş, F., Kaya, Y.Z., Tasar, B., & Varcin, H. Modeling of Dam Reservoir Volume Using Adaptive Neuro Fuzzy Method, Air and Water Components of the Environment Conference 2018. DOI: 10.24193/AWC2018_18.
• [28] Unes F. Prediction of Dam Reservoir Volume Fluctuations Using Adaptive Neuro Fuzzy Approach, EJENS 2017; 2(1): 144-148.