RÜZGAR ENERJİSİ GÜÇ YOĞUNLUĞU TAHMİNİNDE OPTİMUM WEİBULL OLASILIK DAĞILIM PARAMETRELERİNİN ELDE EDİLMESİ İÇİN İSTATİSTİK, MATEMATİK VE FİZİK TABANLI ALGORİTMALARIN KARŞILAŞTIRMALI ANALİZİ: LORAS VE FOÇA ÖRNEKLERİ

Year 2024, Volume: 44 Issue: 1, 47 - 58, 03.06.2024

Bayram Köse , Bekir Can Telkenaroğlu , Bahar Demirtürk

https://doi.org/10.47480/isibted.1494029

Abstract

Bu çalışmada, genellikle elektrik enerjisi üretiminde tercih edilen rüzgar enerjisinin fizibilite ve verimlilik çalışmalarında kullanılan Weibull olasılık dağılım fonksiyonunun k ve c parametrelerinin, Isıl İşlem Algoritması(SA) ve Genelleştirilmiş İndirgenmiş Gradyan Algoritması(GRG) ile tahminlemesi yapılmıştır. Fonksiyon parametreleri ayrıca klasik sayısal yöntemlerden En Küçük Kareler Yöntemi(LMS), Justus Ampirik Moment Metodu(EMJ) ve Lysen Ampirik Moment(EML) Metodu ile tahmin edilmiştir. Sonuçlar kıyaslanırken belirlilik(determinasyon) katsayısı, hata kareleri ortalamasının karekökü(RMSE) ve ki-kare dağılımı(χ^2) kriterlerinden faydalanılmıştır. Tahminlenen şekil ve ölçek parametresiyle rüzgar hız frekans dağılımları hesaplanarak ölçüm sonuçları ile karşılaştırılmıştır. Sonuç olarak Genelleştirilmiş İndirgenmiş Gradyan Algoritmasının klasik sayısal yöntemlere göre Loras gözlem istasyonunda 0.0182 RMSE, 0.8473 belirlilik katsayısı, ve 0.0079 χ^2 değeri ile, Foça gözlem istasyonunda da 0.0066 RMSE, 0.9793 belirlilik katsayısı, ve 0.0011 χ^2 değeri ile daha iyi sonuçlar verdiği görülmüştür.

Keywords

Yenilenebilir Enerji Kaynakları, Weibull dağılımı parametreleri, Isıl İşlem Algoritması, Genelleştirilmiş İndirgenmiş Gradyan Algoritması, Klasik Sayısal Yöntemler, Rüzgar Enerjisi Potansiyeli

References

• Abdelkrim, E.M. (2010). Two-phase generalized reduced gradient method for constrained global optimization. J. Appl. Math. 1-19.
• Abdulahad, A. A., Saleh, M. A., & Mohammed, B. A. (2016). Analysis of wind speed and Estimation of Weibull Parameters by Three Numerical Methods in Al-Sulaimani Province. Al-Mustansiriyah Journal of Science, 27(1).
• Aslan, Y., & Yaşar, C. Dumlupınar Üniversitesi Kampüsündeki Rüzgar Enerjisinin Değerlendirilmesi İçin Örnek Bir Uygulama. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.emo.org.tr/ekler/64939da0c6ae8ee_ek.pdf
• Azad, A. K., Rasul, M. G., & Yusaf, T. (2014). Statistical diagnosis of the best Weibull methods for wind power assessment for agricultural applications. Energies, 7(5), 3056-3085.
• Bayraktar, Y., & Kaya, H. İ. (2016). Yenilenebilir enerji politikaları ve rüzgâr enerjisi açısından bir karşılaştırma: Çin, Almanya ve Türkiye örneği. Uluslararası Ekonomik Araştırmalar Dergisi, 2(4), 1-18.
• Beck, P., Lasdon, L., and Engquist, M. (1983). A reduced gradient algorithm for nonlinear network problems. ACM Transactions on Mathematical Software, 9(1), 57–70.
• Brenan, K.E., Hallman,W.P. (1995). A generalized reduced gradient algorithm for large-scale trajectory optimization problems. Optim. Des. Control, 19, 117–132.
• Chen, H., Birkelund, Y., Anfinsen, S. N., Staupe-Delgado, R., & Yuan, F. (2021). Assessing probabilistic modelling for wind speed from numerical weather prediction model and observation in the Arctic. Scientific Reports, 11(1), 1-11.
• Çukurçayır, M. A., & Sağır, H. (2008). Enerji sorunu, çevre ve alternatif enerji kaynaklari. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (20), 257-278.
• Gabriele, G. A., & Ragsdell, K.M. (1977). The Generalized reduced gradient method: a reliable tool for optimal design, ASME Journal of Engineering for Industry, 99, 384-400.
• Gülersoy, T., & Çetin, N. S. (2010). Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması. Politeknik Dergisi, 13(3), 209-213.
• Güngör, M. (2008). Ki-kare testi üzerine. Fırat Üniversitesi Doğu Araştırmaları Dergisi, 7(1), 84-89.
• Hayli, S. (2001). Rüzgar enerjisinin önemi, Dünya'da ve Türkiye'deki durumu. Fırat Üniversitesi Sosyal Bilimler Dergisi, 11(1), 1-26.
• Jiang, H., Wang, J., Wu, J., & Geng, W. (2017). Comparison of numerical methods and metaheuristic optimization algorithms for estimating parameters for wind energy potential assessment in low wind regions. Renewable and Sustainable Energy Reviews, 69, 1199-1217.
• Justus, C. G., & Mikhail, A. (1976). Height variation of wind speed and wind distributions statistics. Geophysical research letters, 3(5), 261-264.
• Karaboğa, D. (2018). Yapay Zeka Optimizasyon Algoritmaları. Ankara: Nobel.
• Karadağ, İ. H. (2009). Yenilenebilir enerji kaynakları arasında rüzgar enerjisinin önemi ve rüzgar türbini tasarımı. (Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü)
• Kaplan, Y. (2016). Rayleigh ve Weibull dağılımları kullanılarak Osmaniye bölgesinde rüzgar enerjisinin değerlendirilmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 20(1), 62-71.
• Kim D., Mun S. (2021). Development of an Interface Shear Strength Tester and a Model Predicting the Optimal Application Rate of Tack Coat. Construction Materials, 1(1), 22-38.
• Köse, F., Aksoy, M. H., and Özgören, M. (2014). An Assessment of Wind Energy Potential to Meet Electricity Demand and Economic Feasibility in Konya, Turkey. International Journal of Green Energy, 1(6), 559-576.
• Köse B., Düz M., Güneşer M. T., Recebli Z. (2018). Estimating Wind Energy Potential With Predicting Burr Lsm Parameters, A Different Approach. Sigma Journal of Engineering and Natural Sciences, 36(2): 389-404.
• Köse, B. (2022). Optimizasyon Teknikleri Ders Notları. İzmir Bakırçay Üniversitesi.
• Köse, B., Aygün, H. ve Pak, S. (2021) “Rüzgar Enerjisinde Kullanılan Weibull Olasılık Dağılımı Parametrelerinin Tahminlenmesinde İstatistiksel Metotlar ve Optimizasyon Algoritmalarının Karşılaştırılması,” Uluslararası Katılımlı 23. Isı Bilimi ve Tekniği Kongresi, Gaziantep.
• Köse, B., Aygün, H., & Pak, Semih. (2023) Rüzgar hız dağılımı modelinin Yusufçuk algoritması ile parametre tahminlemesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38(3), 1747-1756.
• Köse, B. (2023). Teknobilim-2023, Yapay Zeka ve Mühendislik, Isıl İşlem Algoritması, 46-60.
• Lysen, E. H., 1983. Introduction to Wind Energy, 2nd edition, CWD-Consultancy Services Wind Energy Developing Countries.
• Mostafaeipour A., Jadidi M., Mohammadi K., Sedaghat A. (2014). An analysis of wind energy potential and economic evaluation in Zahedan, Iran. Renewable and Sustainable Energy Reviews, 30, 641–650.
• The Generalized Reduced Gradient (GRG) Algorithm, Constrained Optimization 2, https://apmonitor.com/me575/uploads/Main/chap8_constrained_opt_sqp_ip_grg_v2.pdf
• Wang, Y., Li, Z., He, L. P., & Li, M. (2020). Parameters Estimation of Mixed Weibull Distribution Based on Nonlinear Least Square Method and Simulated Annealing Algorithm. In 2020 Global Reliability and Prognostics and Health Management, PHM-Shanghai, 1-7, IEEE.
• Yılmaz, M. (2021). Türkiye’nin Bölgesel Rüzgar Enerji Potansiyelinin Dağılım Fonksiyonları Kullanılarak Karşılaştırmalı Analizi (Yüksek Lisans Tezi). Bilecik Şeyh Edebali Üniversitesi.