METEOROLOJİK VERİLER KULLANILARAK KASTAMONU İLİ GÜNEŞLENME ŞİDDETİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ

Öz

Yenilenebilir enerji kaynaklarından güneş enerji sistemlerinin tasarımında güneş ışınımı şiddetinin tahmini oldukça önemlidir. Güneş enerjisi, global güneş ışınımına bağlıdır. Bu çalışmada Devlet Meteoroloji İşleri Genel Müdürlüğü’nden temin edilen Kastamonu’ya ait 2009-2016 yılları arasında ölçülmüş; aylık açık gün sayısı, aylık ortalama nispi nem, aylık ortalama hava basıncı, aylık ortalama sıcaklık, aylık toplam güneşlenme süresi, aylık ortalama rüzgâr hızı ve aylık toplam güneş ışınım şiddeti değerleri kullanılmıştır. Geniş kullanım alanı bulunan yapay sinir ağları (YSA) metodu ile aylık toplam güneş ışınımı şiddeti tahmin edilmiştir. 

Anahtar Kelimeler

• Yapay Sinir Ağları,Güneş Işınım Şiddeti,Güneş Enerjisi,Meteoroloji,Nispi Nem

Kaynakça

1. 1. Inamdar, S.S. ve Vaidya, A.P., (2015). Performance Analysis of Solar Photovoltaic Module for Multiple Varying Factors in MATLAB/Simulink, Smart Technologies and Management for Computing, Communication, Controls, Energy and Materials (ICSTM), International Conference on. IEEE, 562-567.
2. 2. Rustemli, S. ve Dincer, F., (2011). Modeling of Photovoltaic Panel and Examining Effects of Temperature in Matlab/Simulink, Elektronika ir Elektrotechnika, 109(3), 35-40.
3. 3. Behrang, M.A., et al. (2010) The Potential of Different Artificial Neural Network (ANN) Techniques in Daily Global Solar Radiation Modeling Based on Meteorological Data. Solar Energy 84.8:1468-1480.
4. 4. Shafiqur, R. and Mohandes, M., (2008). Artificial Neural Network Estimation of Global Solar Radiation Using Air Temperature and Relative Humidity. Energy Policy 36.2:571-576.
5. 5. Jiacong, C. and Lin, X., (2008). Study of Hourly and Daily Solar Irradiation Forecast Using Diagonal Recurrent Wavelet Neural Networks. Energy Conversion and Management 49.6:1396-1406.
6. 6. Atik, K., Deniz, E. and Yıldız, E., (2007). Meteorolojik Verilerin Yapay Sinir Ağları ile Modellenmesi. KSÜ Fen ve Mühendislik Dergisi 10.1.
7. 7. Elmas, Ç., (2011). Yapay Zekâ Uygulamaları. Seçkin Yayınevi, Ankara.
8. 8. Bahadır, E. ve Özdemir, A.Ş., (2016). Akademik Başarı Tahmininde Yapay Sinir Ağları, Burç Yayınevi, Konya.

9. 9. Yurtoğlu, H., (2005) Yapay Sinir Ağları Metodolojisi İle Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü.
10. 10. Sağıroğlu, Ş., (2001). Yapay Sinir Ağları ve Mühendislik Uygulamaları Semineri, Erciyes Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği. Erciyes.
11. 11. Sezgin, C.T., Kaya, Ü. ve Akkaş, M., (2016). GTA Yöntemi Kullanılarak Üretilen Sic (P) Esaslı Kaplanan Çeliklerinin Aşınma Miktarlarının Yapay Sinir Ağları (YSA) Yöntemi İle Tahmin Edilmesi, Technological Applied Sciences, 11(4), 146-152.
12. 12. Kaya, Ü., Caner, M. ve Oğuz, Y., (2016). Rüzgâr Türbin Modelleri Kullanarak Kastamonu İli Rüzgâr İle Elektrik Üretim Potansiyeli Tahmini. Technological Applied Sciences, 11(3), 65-74.
13. 13. Fadare, D.A., (2009). Modelling of Solar Energy Potential in Nigeria Using an Artificial Neural Network Model. Applied energy 86.9:1410-1422.
14. 14. Bayır, R., (2008). Yapay Zekâ Teknikleri Dersi Ders Notları.
15. 15. Kalogirou, S.A., (1999). Applications of Artificial Neural Networks in Energy Systems. Energy Conversion and Management 40.10:1073-1087.
16. 16. Özçalık, H.R., (2003). and Ahmet Küçüktüfekçi. Dinamik Sistemlerin Yapay Sinir Ağları İle Düz ve Ters Modellenmesi. KSÜ Fen ve Mühendislik Dergisi 6.1:26-35.
17. 17. Soteris, A.K. and Bojic, M., (2000). Artificial Neural Networks for the Prediction of The Energy Consumption of a Passive Solar Building, Energy 25, 479-491.