Yapay Sinir Ağı Kullanımı ile Rüzgar Enerjisi Üretimi Tahmini

Yıl 2023, , 7 - 19, 30.06.2023

Ayhan Tokmak , İlyas Atalay , Övgü Ceyda Yelgel

https://doi.org/10.29132/ijpas.1174444

Cited By: 1

Öz

Günümüzde yenilenebilir enerji kaynakları içerisinde rüzgar enerjisi, elektrik enerji üretiminde temiz ve sürdürülebilir bir enerji kaynağı olarak etkin olarak kullanılmaktadır. Yenilenebilir enerji kaynaklarının belirsiz doğası ve sinir ağı yaklaşımının karmaşık zaman serisi girdilerini işleme konusundaki akıllı yeteneği, yenilenebilir enerji üretimi tahmininde yapay sinir ağı (YSA) yöntemlerinin kullanılmasına olanak sağlamıştır. Bu çalışmada, yapay sinir ağlarını kullanarak rüzgâr hızı verisinden, rüzgâr türbinlerinin hızları ve güçleri ile elektrik üretimi tahmin edilmiştir. Hesaplamalarımızda test aşamasında gerçek rüzgar hızı verileri, eğitim aşamasında ise altı farklı rüzgar türbininin hız-güç verisi kullanılmıştır. Elde edilen eğitim, doğrulama ve test verilerinin regresyon eğrilerinden YSA modelimizin yaptığı tahminlerin oldukça başarılı ve güvenilir olduğu gösterilmiştir. Elde ettiğimiz sonuçlara göre, seçilen bölgemizin rüzgar potansiyelinin yeterince iyi olduğu ve bu bölgenin elektrik enerjisi ihtiyacının uygun rüzgar türbini tipi kullanılarak rüzgar enerjisinden karşılanabileceği, dolayısıyla yatırım yapılmasının oldukça uygun olduğu anlaşılmıştır.

Anahtar Kelimeler

yapay sinir ağları, yenilenebilir enerji kaynaklar, yapay zeka, rüzgar türbinleri, rüzgar hızı

Forecasting Wind Power Generation Using Artificial Neural Network

Öz

Today, among renewable energy sources, wind energy is used effectively as a clean and sustainable energy source in electricity generation. The uncertain nature of renewable energy sources and the smart ability of the neural network approach to process complex time series inputs have allowed the use of artificial neural network (ANN) methods in the prediction of renewable energy generation. In this study, the speed and power of wind turbines and electricity generation were estimated from wind speed data using artificial neural networks. In our calculations, the real wind speed data were used in the test phase, and the speed-power data of six different types of wind turbines were used in the training phase. It has been shown that the predictions made by our ANN model from the regression curves of the training, validation, and test data obtained are quite successful and reliable. According to our results, it has been understood that the wind potential of our selected region is good enough and that the electrical energy need for this region can be met from wind energy by using the appropriate wind turbine type, so it is quite appropriate to invest in wind energy.

Anahtar Kelimeler

artificial neural networks, renewable energy sources, artificial intelligence, wind turbine, wind speed

Kaynakça

• Abhishek, K., Singha, M. P., Ghosh, S. and Anand, A. (2012). “Weather forecasting model using Artificial Neural Network”. Procedia Technology, 4, 311 – 318.
• Altunbey, F. And Alataş, B. (2015). Sosyal ağ analizi için sosyal tabanlı yapay zekâ optimizasyon algoritmalarının incelenmesi. International Journal of Pure and Applied Sciences,33-40
• Arslan, F. and Uzun, A. (2017). “Yenilenebilir enerji yatırımlarının sosyal kabul boyutu". Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (51), 95-116.
• Badri, A., Ameli, Z. and Birjandi A. M. (2012). “Application of artificial neural networks and fuzzy logic methods for short term load forecasting”. Energy Procedia, 14, 1883-1888.
• Bağcı, E. (2019). Türkiye’de Yenilenebilir Enerji Potansiyeli, Üretimi, Tüketimi ve Cari İşlemler Dengesi İlişkisi. Research Studies Anatolia Journal, 2(4): 101-117.
• Banik, R., Das, P., Ray, S., Biswas, A. (2020). Wind Power generation probalistic modeling using enseble learning techniques. Materials Today: Proceedings, 26:2157-2162
• Bayraç, H. N. (2011). Küresel rüzgâr enerjisi politikaları ve uygulamaları. Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 30(1): 37-57.
• Cali, U., Sharma, V. (2019). Short-term Wind Power Forecasting Using Long-short Term Memory Based Recurrent Neural Network Model and Variable Selection, International Journal of Smart Grid and Clean Energy, Volume. 8, p. 103-110. DOI: 10.12720/sgce.8.2.103-110
• Can, Ö. F. (2021). Dicle üniversitesi mühendislik fakültesinin rüzgâr ve sıcaklık etkilerinin nümerik olarak incelenmesi. International Journal of Pure and Applied Sciences,364-366
• Çetin, F. (2003). “Yapay sinir ağlarıyla rüzgar şiddeti tahmini”. Doctoral dissertation, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü.
• Çevik, H.H., (2019). Yapay Zeka Teknikleri Kullanilarak Kisa Dönem Rüzgar Gücünün Çok Katmanli Tahmini. Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği, Doktora Tezi.
• Dehuri, S., Roy, R., Cho, S.B. and Ghosh A. (2012). “An improved swarm optimized functional link artificial neural network (ISO-FLANN) for classification”. Journal of Systems and Software, 85(6), 1333-1345.
• Dukpa A., Duggal I., Venkatesh B. and Chang L. (2010). “Optimal participation and risk mitigation of wind generators in an electricity market”. Renewable Power Generation, IET 4(2):165 – 175
• El Midany, T. T., El Baz, M. A. and Elwahed M. S. (2010). “A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks”. Expert Systems with Applications, 37(2), 1035-1042.
• ETKB, (2021). T.C. Enerji ve Tabii Kaynaklar Bakanlığı. Retrieved from https://enerji.gov.tr/bilgi-merkezi-enerji-elektrik
• Fu, C., Li, G. Q., Lin, K. P. and Zhang, H. J. (2019). Short-term wind power prediction based on improved chicken algorithm optimization support vector machine. Sustainability, 11(2): 512.
• Garcia, A. and Angel, T. V., (2009). A Statistical wind power forecasting system A Mexican wind-farm case study. In European Wind Energy Conference & Exhibition–EWEC Parc Chanot.
• Gençoğlu, M. and Cebeci M. (2001). “Dünya ‘da ve Türkiye ‘de rüzgar enerjisi”. Yenilenebilir enerji kaynakları sempozyumu , İzmir, Türkiye.
• Ghiassi, M., Olschimke, M., Moon, B. and Arnaudo P. (2012). “Automated text classification using a dynamic artificial neural network model”. Expert Systems with Applications, 39(12), 10967-10976
• Görgel, P., Kavlak, E. (2020). Uzun Kısa Süreli Hafıza ve Evrişimsel Sinir Ağları ile Rüzgar Enerjisi Üretim Tahmini Dicle Üniversitesi Mühendislik Fakültesi Dergisi, 11(1): 69-80
• Graupe, D. (2016). ‘Deep learning neural networks: design and case studies.’ World Scientific Publishing Company.
• Guo, Z., Zhao, W., LU, H. and Wang, J. (2012). “Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model”. Renewable Energy, 37(1), 241–249.
• Koç, E. and Kaya, K. (2015). “Enerji kaynakları yenilenebilir enerji durumu”. Mühendis ve Makina, 56(668), 36-47.
• Külekçi, Ö. C. (2009). “Yenilenebilir enerji kaynakları arasında jeotermal enerjinin yeri ve Türkiye açısından önemi”. Ankara Üniversitesi Çevrebilimleri Dergisi, 1(2), 83-91.
• Liu, X., Zhou, J., & Qian, H. (2021). Short-term wind power forecasting by stacked recurrent neural networks with parametric sine activation function. Electric Power Systems Research, 192, 107011.
• Meteostat, (2021). Retrieved from https://meteostat.net/en/place/3C73AR
• Özcan, C. (2021). A review on various analytical techniques for determining rees. International Journal of Pure and Applied Sciences,265-272
• Raeesi, M., Moradzadeh, A., Ardejani, F. D. and Rahimi M. (2012). “Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks.”. Journal of Petroleum Science and Engineering, 82, 151-165.
• Smil, V. (2017). Energy transitions: global and national perspectives. ABC-CLIO.
• Şenel M. C. and Koç E. (2015). “Dünyada ve Türkiye’de rüzgar enerjisi durumu genel değerlendirme”. Mühendis ve Makina, 56(663), 46-56.
• Şenol, Ü. and Musayev Z. (2017). “Rüzgar Enerjisinden Elektrik Üretiminin Yapay Sinir Ağları İle Tahmini”. Bilge Uluslararası Fen ve Teknoloji Araştırmaları Dergisi, 1(1), 23-31.
• The MathWorks. (2021) “MathWorks Help Center”. Retrieved from https://www.mathworks.com/help/deeplearning/ref/learngdm.html;jsessionid=2ad6f2b4ef5e29d82521e22d3324 .
• The MathWorks. (2021) “Neural Network Toolbox”. Retrieved from http://matlab.izmiran.ru/help/toolbox/nnet/traingdx.html .
• TSKB (2020). Türkiye Enerji Kalkınma Bankası Enerji görünümü raporu. Retrieved from http://www.tskb.com.tr/i/assets/document/pdf/enerji-sektor-gorunumu-2020.pdf
• Tureb, (2021). Türkiye Rüzgar Enerjisi Birliği. Retrieved from https://www.tureb.com.tr/
• Wu, Y. K. and Hon, J. S. (2007). ‘A Literature Review of Wind Forecasting Technology in the World’. Proceedings of the IEEE Conference on Power Tech, Lausanne, 504-509.
• YEKDEM (2020). Yenilenebilir Enerji Kaynakları Destekleme Mekanizması. Retrieved from https://www.enerjiportali.com/wpcontent/uploads/2020/09/KSD_YEKDEM_2.09.2020-1-1.pdf
• Yeşilnacar, Y. O. (2011). “Bilecik ilinin yapay sinir ağları ile rüzgâr hızı, basınç ve sıcaklık tahmini”. Master's thesis, Bilecik Üniversitesi Fen Bilimleri Enstitüsü