Rüzgar güç yoğunluğunun yapay sinir ağı ile tahmini

Abstract

Sanayi ve teknoloji her geçen gün hızla gelişmektedir. Sanayi ve teknoloji gelişimlerini sürdürmek için enerjiye ihtiyaç duymaktadır. Enerji ihtiyacı çoğunlukla fosil yakıtlardan sağlanmaktadır. Ne yazık ki bunların rezervleri gün geçtikçe azalmaktadır. Bu nedenle, enerji ihtiyacının karşılanabilmesi için alternatif enerji kaynaklarının kullanılmasına ihtiyaç duyulmaktadır. Alternatif enerji kaynakları; güneş, rüzgâr, dalga, biyokütle, jeotermal ve hidroelektrik enerjisi olarak sıralanabilir. Ülkemiz, rüzgâr enerjisi bakımından önemli bir potansiyele sahiptir. Rüzgâr potansiyelini belirlemek için rüzgâr güç yoğunluğunun tahmin edilmesi gereklidir. Bu çalışmada, rüzgâr güç yoğunluğu yapay sinir ağı (YSA) metodu kullanılarak tahmin edilmiştir. Kırk meteorolojik istasyon YSA' nın eğitimi için kullanılırken, on sekiz meteorolojik istasyon eğitilmiş ağı test etmek için kullanılmıştır. Ağ sırasıyla trainlm, trainbfg, trainscg, traincgp traincgb, traincgf ve trainoss öğrenme algoritmalarına göre eğitilmiştir. Geliştirilen en iyi modelin korelasyon katsayısı (R) ve ortalama sapma hatası (MBE) sırasıyla 0,9767 ve -0,3124 W/m^2 olarak hesaplanırken, kök ortalama kare hatası (RMSE) 1,4786 W/m^2 olarak hesaplanmıştır. Elde edilen sonuçlar, geliştirilen modelin rüzgâr güç yoğunluğu tahmin etmek için kullanılabileceğini göstermektedir. Anahtar Kelimeler: Alternatif enerji kaynakları, rüzgâr güç yoğunluğu, rüzgâr hızı, yapay sinir ağları

Industry and technology are rapidly developing with each passing day. They need energy to sustain this evolution. The demand of energy is mainly provided from fossil fuels. Unfortunately, this kind of energy reserves are consumed away day by day. Therefore, there is a need to use alternative energy sources to supply energy needs. Alternative energy sources can be listed as; solar, wind, wave, biomass, geothermal and hydro-electric power. Our country has significant potential for wind energy. Wind power density estimation is required to determine the wind potential. In this study, the wind power density was estimated by using artificial neural network (ANN) method. Forty meteorological station were used for ANN training, while eighteen meteorological stations were used to test the trained network. Network has trained according to, respectively; trainlm, trainbfg, trainscg, traincgp traincgb, traincgf ve trainoss learning algorithms. The correlation coefficient (R) and Mean bias error (MBE) of the best developed model were calculated as 0,9767 and -0,3124 W/m^2 respectively. Root Mean Square Error (RMSE) was calculated as 1,4786 W/m^2. In conclusion, the obtained results demonstrate that the developed model can be used to estimate the wind power density.Keywords: Alternative energy sources, wind power density, wind speed, artificial neural networks