MAKİNE ÖĞRENME ALGORİTMASI KULLANARAK YENİLEBİLİR ENERJİ İLE HAVA KİRLİLİĞİ ARASINDAKİ İLİŞKİNİN İNCELENMESİ

Yıl 2022, Cilt: 7 Sayı: 1, 23 - 32, 03.08.2022

Zihni Alp Çevik , Abdurrahman Özbeyaz , Yavuz Demirci

Öz

Günümüzde yenilebilir enerji kaynakları çok önemli hale gelmiştir. Bazı tahmini verilere göre2025 yılına kadar geleneksel enerji yerine güneş enerjisi kullanım oranı artacaktır. Güneş enerjisi santrallerindeki kayıpların yaşanmasında çevresel faktörlerin de etkili olduğu bilinmektedir. Hava kirliliği farklı parametreler ile ölçülebilmektedir. Bu parametrelerden bazıları ise toz emisyonu ve kükürttür. PM10 partikül maddeyi, SO2 ise kükürt dioksiti ifade etmektedir. Özellikle güneş enerjisi ile hava kirliliğinin arasındaki ilişkide güneş enerjisi veriminin etkilenme ölçüsü araştırma konusu olmuştur. Bu amaçla; bu çalışmada Adıyaman ilinde konumlu bir güneş enerjisi santralinden günlük olarak elde edilen elektrik enerjisi değerleri ile günlük ölçülen PM10 ve SO2 hava kirliliği verileri arasındaki ilişki makine öğrenmesi yöntemi ile araştırılmıştır. Yapılan regresyon çalışmasında, 2018 yılına ait PM10, SO2, PM10Toplamı, SO2Toplamı, PM10AylıkOrtalaması, SO2 Aylık Ortalaması değerleri giriş olarak, Adıyaman ilinde kurulu bir güneş enerji santralinde günlük olarak üretilen elektrik enerjisi verileri çıkış olarak kullanılmıştır. Makine öğrenmesi analizinde, hava kirliliği ile üretilen enerji arasında model bir ilişki kurulmaya çalışılmıştır. Çalışmada korelasyon katsayısı 0.81, ortalama mutlak hata 665 kW ve karekök ortalama hata 852 kW olarak elde edilmiştir. Sonuç olarak bu çalışmada hava kirliliği ile güneş enerji santralinden elde edilen enerji verimliliği arasında az bir miktarda olsa anlamlı bir ilişkinin varlığı ortaya konmuştur.

Anahtar Kelimeler

Yenilenebilir Enerji, Hava Kirliliği, PM10, SO2, Makine Öğrenmesi

INVESTIGATION OF THE RELATIONSHIP BETWEEN RENEWABLE ENERGY AND AIR POLLUTION USING A MACHINE LEARNING ALGORITHM

Öz

Today, renewable energy sources have become very important. According to some predicted data, the rate of solar energy usage will increase instead of conventional energy by 2025. It is known that environmental factors are also effective in the loss of solar power plants. Air pollution can be measured with different parameters. Some of these parameters are dust emission and sulfur. PM10 stands for particulate matter and SO2 stands for sulfur dioxide.In particular, the extent to which air pollution affects solar energy efficiency has been the subject of research. The presence of air pollution can be measured by various parameters. Some of these parameters are dust emission and sulfur. PM10 refers to dust particles formed in the atmosphere at a size of 10 microns, and SO2 refers to harmful gases formed in the air as a result of fossil fuels. In this study; the relationship between the daily electric energy values obtained from a solar power plant located in Adıyaman province and PM10 and SO2 air pollution parameters measured daily was investigated by decision trees regression method. In the developed model, PM10, SO2, PM10Total, SO2 Total, PM10 Monthly Average and SO2 Monthly Average were used as inputs, and daily generated electric power was employed as output. The data were for 2018. In the regression analysis, a model relationship was tried to be established between air pollution and electricity energy produced. In the study, the correlation coefficient was 0.81; the mean absolute error was 665 kW, and the root mean square error was 852 kW. As a result, in this study, a significant but not much relationship between air pollution and energy efficiency obtained from the solar power plant has been demonstrated.

Anahtar Kelimeler

Renewable Energy, Air Pollution, PM10, SO2, Machine Learning

Kaynakça

• [1] Akyüz, E. (2015). Çevre sorunları ve insan hakları ilişkisi. Akademik Sosyal Araştırmalar Dergisi, 3(15), 427-436.
• [2] Taktak, F., & Mehmet, I. L. I. (2018). Güneş Enerji Santrali (GES) Geliştirme: Uşak Örneği. Geomatik, 3(1), 1-21.
• [3] Çukur, H., & Aygören, T. (2018). Denizli'de Hava Kirliliği Ve Klimatik Özellikler Arasindaki İlişki
• [4] Demirtaş, M., Akkoyun, N., Akkoyun, E., & Çetinbaş, İ. (2019). Akıllı Şebekelerde Güneş Enerjisi Üretiminin Zamana Bağlı Olasılıksal Tahmini. Gazi University Journal of Science Part C: Design and Technology, 7(2), 411-424.
• [5] Asl-Soleimani, E., Farhangi, S., & Zabihi, M. S. (2001). The effect of tilt angle, air pollution on performance of photovoltaic systems in Tehran. Renewable Energy, 24(3-4), 459-468.
• [6] Khan, M. F., Hirano, K., & Masunaga, S. (2010). Quantifying the sources of hazardous elements of suspended particulate matter aerosol collected in Yokohama, Japan. Atmospheric environment, 44(21-22), 2646-2657.
• [7] Liu, Y. J., Zhang, T. T., Liu, Q. Y., Zhang, R. J., Sun, Z. Q., & Zhang, M. G. (2014). Seasonal variation of physical and chemical properties in TSP, PM10 and PM2. 5 at a roadside site in Beijing and their influence on atmospheric visibility. Aerosol and Air Quality Research, 14(3), 954-969.
• [8] Özbeyaz, A., Tufaner, F., & Demirci, Y. (2016, October). Partikül madde ile ilişkili görüntüleri kullanarak hava kirliliği tahminine ait bir model tasarımı. In 1st International Mediterranean Science and Engineering Congress. Çukurova University, October (Vol. 26, No. 28, pp. 969-975).
• [9] Turalıoğlu, F. S., Nuhoğlu, A., & Bayraktar, H. (2005). Impacts of some meteorological parameters on SO2 and TSP concentrations in Erzurum, Turkey. Chemosphere, 59(11), 1633-1642.
• [10] E. Alpaydın, Introduction to Machine Learning. Cambridge, Massachusetts London England, 2004.
• [11] Gunaydin, O., Ozbeyaz, A., & Soylemez, M. (2019). Estimating California Bearing Ratio Using Decision Tree Regression Analysis Using Soil Index and Compaction Parameters. International Journal of Intelligent Systems and Applications in Engineering, 7(1), 30-33.
• [12] G. H. Güzel and H. Demirel, (2017) “Meteorolojik Veriler Kullanılarak Kastamonu İli Güneşlenme Şiddetinin Yapay Sinir Ağları ile Tahmini,” Technol. Appl. Sicences, vol. 12, no. 114–121, pp. 9–15.
• [13] Figen, B. A. L. O. (2018). Veri analizi modeli ile Çanakkale ili için güneş enerjisi potansiyelinin araştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 143-152.
• [14] Kılıç, B., & Kumaş, K. (2019). Burdur İli Güneşlenme Değerlerinin Yapay Sinir Ağlari Metodu İle Tahmini. Teknik Bilimler Dergisi, 6(1).
• [15] Turgut, A., Temir, A., Aksoy, B., & Özsoy, K. (2019). Yapay Zekâ Yöntemleri İle Hava Sıcaklığı Tahmini İçin Sistem Tasarımı Ve Uygulaması. International Journal of 3D Printing Technologies and Digital Industry, 3(3), 244-253.
• [16] Behçet, R., Oral H., & Gül H., (2013). Adıyaman ilinin güneş enerjisi potansiyeli ve kullanımı. Batman Üniversitesi Yaşam Bilimleri Dergisi, 3(2), 52-67.