TÜRKİYE’NİN AKDENİZ BÖLGESİNE AİT RÜZGÂR EKSERJİSİNİN ÇOK KATMANLI YAPAY SİNİR AĞI İLE MODELLENMESİ

Yıl 2020, Cilt: 2 Sayı: 2, 102 - 120, 26.06.2020

Durmuş Fatih Mengi , Sedat Metlek

Öz

Bu çalışmada Türkiye’nin Akdeniz Bölgesi içerisinde yer alan, enlem ve boylam çizgilerinin kesiştiği 21 noktanın rüzgâr ekserji analizi yapay sinir ağı ve klasik hesaplama yöntemleri ile kıyaslanmıştır. Bu amaç doğrultusunda NASA’dan elde edilen, 1981 ile 2018 yılları arasındaki aylık ortalama yüzey sıcaklığı, yüzey basıncı ve rüzgâr hızı değerleri kullanılmıştır. NASA’dan alınan veriler ışığında örnek bir rüzgâr türbini modeli oluşturulmuş, üretebileceği maksimum enerji ve ekserji değerleri klasik hesaplama yöntemleri ile hesaplanmıştır. Çalışmanın sonucunda yapay sinir ağı ile elde edilen değerler ve klasik hesaplama yöntemleri ile elde edilen değerler kıyaslanmış, %0,00024 ortalama karesel hata oranı ile başarılı sonuçlar elde edilmiştir. Böylece özellikle rüzgâr enerji santrali yatırımı yapacak yatırımcıların ve diğer karar alıcıların ilk etapta ihtiyaç duyduğu, ekserji analiz sonuçları çok az veri ile hızlı bir şekilde hesaplanması sağlanmıştır.

MODELING BELONGS TO TURKEY'S MEDITERRANEAN COAST WIND OF EXERGY MULTILAYER NEURAL NETWORK

Öz

In this study, 21 points where latitude and longitude intersect from in Turkey's Mediterranean Coast, wind Exergy analysis and artificial neural network were compared with conventional methods of calculation. For this purpose, monthly average surface temperature, surface pressure and wind speed values obtained from NASA between 1981 and 2018 were used. An exemplary wind turbine model has been created with the data received from NASA, and the maximum energy and exergy values it can produce have been calculated by classical calculation methods. At the end of the study, the values obtained by artificial neural network and the values obtained by classical calculation methods were compared, and accurate results were obtained with an average square error rate of 0.00024%. In this way, the exergy analysis results needed by investors and other decision makers who will invest in wind power plants in the first place have been quickly calculated with very little data.

Anahtar Kelimeler

Rüzgar Enerjisi, Ekserji Analizi, Enerji Potansiyeli, Yapay Sinir Ağları

Kaynakça

• [1] Mengi, D. F., (2013). Rüzgar Enerjisi Potansiyelinin Enerji ve Ekserji Haritasının İncelenmesi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
• [2] Kavcıoğlu, Ş., (2019). Yenilenebilir Enerji ve Türkiye, Finansal Araştırmalar ve Çalışmalar Dergisi, 11, 21, 209–227. https://doi.org/ 10.14784/marufacd.623399
• [3] Karık, F., Sözen, A., İskender, Ü., (2015). Türkiye’de Rüzgar Enerjisinde Mevcut Durum. Gazi Mühendislik Bilimleri Dergisi (GMBD), 1, 2, 219–233. https://dergipark.org.tr/tr/pub/gmbd/ issue/29232/312919
• [4] Rüzgâr ve güneș Türkiye ’ de enerji dönüșümünü nasıl hızlandırabilir : Küresel örnekler., (2018). https://www.shura.org.tr/wp-content/uploads/ 2019/01/SHURA_Rüzgar-ve-Güneș-Türkiyede-Enerji-Dönüşümünü-Nasıl-Hızlandırabilir-Küresel-Örnekler.pdf
• [5] IEA., (2019). Renewables 2019 – Analysis. https://www.iea.org/reports/renewables-2019
• [6] Dündar, C., (1997). Bandırma Bodrum Bozcaada ve Çeşme Bölgeleri Rüzgar Enerjisi Potansiyellerinin Belirlenmesi, Yüksek Lisans Tezi, Hacettepe Üniversitesi, İstanbul.
• [7] Toklu M., (2002). Rüzgar Enerjisi ve Elazığ Şartlarinda Bir Rüzgar Santrali Tasarımı. Yüksek Lisan Tezi, Fırat Üniversitesi, Fen Bilimleri Enst., Elektrik Eğitimi ABD.,Elazığ.
• [8] Lawan, S. M., Abidin, W. A. W. Z., Masri, T., (2019). Implementation of a topographic artificial neural network wind speed prediction model for assessing onshore wind power potential in Sibu, Sarawak, Egyptian Journal of Remote Sensing and Space Science. https://doi.org/10.1016/j.ejrs. 2019.08.003
• [9] Koroneos, C., Spachos, T., Moussiopoulos, N., (2003). Exergy analysis of renewable energy sources, Renewable Energy. https://doi.org/ 10.1016/S0960-1481(01)00125-2
• [10] Hepbasli, A., Ozgener, O., (2004). A review on the development of wind energy in Turkey, Renewable and Sustainable Energy Reviews, 8, 257–76.https://doi.org/10.1016/j.rser.2003.10.006
• [11] Şahin, A. D., Dincer, I., Rosen, M. A., (2006). New Spatio-Temporal Wind Exergy Maps, Journal of Energy Resources Technology, 128, 3, 194–202. https://doi.org/10.1115/1.2213271
• [12] Hepbasli, A., (2008). A key review on exergetic analysis and assessment of renewable energy resources for a sustainable future, Renewable and Sustainable Energy Reviews, 12, 593–661. https://doi.org/10.1016/j.rser.2006.10.001
• [13] Xydis, G., Koroneos, C., Loizidou, M., (2009). Exergy analysis in a wind speed prognostic model as a wind farm sitting selection tool: A case study in Southern Greece. Applied Energy, 86, 2411–2420. https://doi.org/10.1016/j.apenergy.2009.03 .017
• [14] Başkut.Ö., (2010). Rüzgar Güç Tesislerinin Ekserji Analizi, Yüksek Lisans Tezi, Ege Üniversitesi, İzmir.
• [15] Saravanan, A. J., Karthikeyan, C. P., Samuel, A. A., (2011). Exergy Analysis of Single Array Wind Farm Using Wake Effects, Engineering, 03,09, 949–958. https://doi.org/10.4236/eng.2011. 39117
• [16] Ehyaei, M. A., Ahmadi, A., Rosen, M. A., (2019). Energy, exergy, economic and advanced and extended exergy analyses of a wind turbine, Energy Conversion and Management, 183,183, 369381.https://doi.org/10.1016/j.enconman.2019.01 .008
• [17] Ekonomou, L., Lazarou, S., Chatzarakis, G. E., Vita, V., (2012). Estimation of wind turbines optimal number and produced power in a wind farm using an artificial neural network model, Simulation Modelling Practice and Theory, 21, 21–25.https://doi.org/10.1016/j.simpat.2011.09. 009
• [18] Ata, R., (2008). Otonom bir Rüzgar Türbininin Farklı Yüksekliklerdeki Enerji Eldesinin YSA ile Analizi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23, 3, 523–529. https://dergipark.org.tr/tr/pub/gazimmfd/issue/6677/88513
• [19] Lee, D., Baldick, R., (2014). Short-Term Wind Power Ensemble Prediction Based on Gaussian Processes and Neural Networks, IEEE Transactions On Smart Grid, 5,1, 501–510. https://doi.org/10.1109/TSG.2013.2280649
• [20] Mortazavi, S. M., Soltani, M. R., Motieyan, H., (2015). A Pareto optimal multi-objective optimization for a horizontal axis wind turbine blade airfoil sections utilizing exergy analysis and neural networks, Journal of Wind Engineering and Industrial Aerodynamics, 136, 62–72. https://doi.org/10.1016/j.jweia.2014.10.009
• [21] Lydia, M., Suresh Kumar, S., Immanuel Selvakumar, A., Edwin Prem Kumar, G., (2015). Wind resource estimation using wind speed and power curve models, Renewable Energy, 83, 425–434. https://doi.org/10.1016/j.renene.2015.04.045
• [22] Pelletier, F., Masson, C., Tahan, A., (2016). Wind turbine power curve modelling using artificial neural network, Renewable Energy, 89, 207–214. https://doi.org/10.1016/j.renene.2015.11.065
• [23] Manobel, B., Sehnke, F., Lazzús, J. A., Salfate, I., Felder, M., Montecinos, S., (2018). Wind turbine power curve modeling based on Gaussian Processes and Artificial Neural Networks, Renewable Energy, 125, 1025–1020. https://doi.org/10.1016/j.renene.2018.02.081
• [24] Altınsoy, M., Bal, G., (2019). Uzun Dönem Rüzgar Hızı Tahmininde Yapay Sinir Ağlarının Kullanımı ve Performans İncelemesi, Mesleki Bilimler Dergisi (MBD), 8, 1, 21–28. https://dergipark.org.tr/en/pub/mbd/issue/45578/539436
• [25] Zafirakis, D., Tzanes, G., Kaldellis, J. K., (2019). Forecasting of Wind Power Generation with the Use of Artificial Neural Networks and Support Vector Regression Models, Energy Procedia, 159, 509–514. https://doi.org/10.1016/j.egypro. 2018.12.007
• [26] Nielson, J., Bhaganagar, K., Meka, R., Alaeddini, A., (2020). Using atmospheric inputs for Artificial Neural Networks to improve wind turbine power prediction. Energy, 190. https://doi.org/10.1016/j.energy.2019.116273
• [27] Kökey, I., (2013). Rüzgar Enerjisi Potansiyelinin Belirlenmesi ve Rüzgar Enerji Satrallerinin Performans Değerlendirmesinde Ekserji Analizinin Önemi, https://www.researchgate.net/ publication/ 324680303%0ARÜZGAR
• [28] Çengel, A. Y., Mıchael, A. B., (2008). Termodinamik Mühendislik Yaklaşımıyla, (A. Pınarbaşı (Ed.); 5th ed.). İzmirGüven Kitabevi.
• [29] Karakoç, H. T., Karakoç, N., Erbay, B., Haydar, A., (2012). Enerji Analizi (Y. Ergün & M. Tanışlı (Eds.); 2486th ed.), T.C. Anadolu Üniversitesi.
• [30] Yüksel, Y. E., Öztürk, M., (2016). Evsel Uygulamalar için Birleşik Rüzgar-Güneş-Hidrojen Sisteminin Termodinamik Analizi., El-Cezeri Fen ve Mühendislik Dergisi, 3, 3, 401–416. https://doi.org/10.31202/ecjse.258567
• [31] Uğuz, S., (2005). Rüzgar Enerjisi ile Elektrik Üretimi, Yüksek Lisans Tezi, Gazi Üniversitesi, Ankara.
• [32] Koçer, A. A., (2013). Elektrik Üretimi İçin Güneş Havuzu Destekli Çoklu Üretim Sisteminin Termodinamik Analizi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Isparta.
• [33] Dincer, I., Rosen, M. A., (2007). Exergy: energy, environment and sustainable development (1st ed.), Elsevier Science, UK.
• [34] Baş, N., (2006). Yapay sinir ağları yaklaşımı ve bir uygulama, Yayınlanmış Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Mimar Sinan Üniversitesi, İstanbul.
• [35] Elmas, Ç., (2003) Yapay sinir ağları, Seçkin Yayıncılık, Ankara.
• [36] Haton, J.P., ve Haton, M.C., (1991). Yapay zekâ. (Çev. A. Ekmekçi ve A. Türker). İletişim Yayınları, İstanbul.
• [37] Pirim , A ., (2006). Yapay zeka. Journal of Yaşar University, 1, 1, 81-93. Retrieved from https://dergipark.org.tr/tr/pub/jyasar/issue/19113/202842.