SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2019 / Cilt: 34 Sayı: 4

Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması

Mehmet Daş(Erzincan Binali Yıldırım Üniversitesi İliç Dursun Yıldırım M.Y.O.)0000-0002-4143-9226
Nilay Balpetek0000-0002-4143-9226
Ebru Kavak Akpınar(FIRAT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0002-4143-9226
Sinan Akpınar(FIRAT ÜNİVERSİTESİ, FEN FAKÜLTESİ)0000-0002-4143-9226
Pages
2203–2214
Publication Date
2019-06-25
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, Türkiye'nin farklı bölgelerindeki Sinop ve Adıyaman illerinin rüzgâr enerjisi potansiyeli, 2008-2017 yıllarında Devlet Meteoroloji İstasyon Müdürlüğü tarafından ölçülen verilere dayanarak istatistiksel olarak analiz edilmiştir.
📊
Key Findings & Data:Çalışma sonucu elde edilen güç yoğunluğu değerleri için destek vektör makinesi ( DVM ) regresyonu ile tahminsel model oluşturulmuştur.
💡
Conclusion & Impact:DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2008-2017 Verileri
⚙️Variables:Rüzgâr enerjisi · Weibull dağılımı · Destek vektör makinesi

Özet

Bu çalışmada, Türkiye'nin farklı bölgelerindeki Sinop ve Adıyaman illerinin rüzgâr enerjisi potansiyeli, 2008-2017 yıllarında Devlet Meteoroloji İstasyon Müdürlüğü tarafından ölçülen verilere dayanarak istatistiksel olarak analiz edilmiştir. İstatiksel analiz sırasında, ortalama rüzgâr hızı, rüzgâr hızının standart sapması, maksimum rüzgâr hızı ve rüzgâr gücü yoğunluğu belirlenmiştir. Rüzgâr hızının dağılımı ve rüzgâr güç yoğunluğunun belirlenmesinde Weibull dağılım fonksiyonu kullanılmıştır. Çalışma sonucu elde edilen güç yoğunluğu değerleri için destek vektör makinesi ( DVM ) regresyonu ile tahminsel model oluşturulmuştur. DVM regresyonunda polinom kernel, normalize polinom kernel, radyal tabanlı fonksiyon (R BF ) kernel ve pearson VII ( PUK ) kernel modelleri kullanılmıştır. DVM regresyonu tahminleri için ortalama mutlak hata ( MAE) , kök ortalama karesel hata ( RMSE ), bağıl mutlak hata ( RAE ) ve kök bağıl karesel hata ( RRSE ) hata analizleri yapılmıştır. DVM regresyonu kullanılarak 4 farklı kernel fonksiyonu ile oluşturulan rüzgâr güç yoğunluğu tahminsel modellerin içinde en iyi tahminin polinom kernele ait olduğu gösterilmiştir.

🔖

Cite This Article

Daş, M., Balpetek, N., Akpınar, E. K., Akpınar, S. (2019). Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 34 Sayı: 4, 2203–2214. https://doi.org/10.17341/gazimmfd.432590

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (30)

  1. Sahin, A. D., A Review of Research and Development of Wind Energy in Turkey, Clean-Soil, Air, Water 36, 734-742, 2008.
  2. Bilgili, M., Sahin, B. ve Yasar, A. Application of Artificial Neural Networks for the Wind Speed Prediction of Target Station Using Reference Stations Data, Renewable Energy, 32, 2350-2360, 2007.
  3. Akalın, H., Seçkiner S.U., Eroğlu Y. Efficiency Evaluation for Wind Turbines Using Stochastic Frontier Analysis, Journal of the Faculty of Engineering and Architecture of Gazi University., 32(4), 1311-1325, 2017.
  4. Mutlu, Ö., Akpınar S. E. ve Balıkçı A. Power Quality Analysis of Wind Farm Connected to Alaçatı Substation in Turkey, Renewable Energy, 34(5): 1312-1318, 2009.
  5. Yenilenebilir Enerji Genel Müdürlüğü. Rüzğar Enerji Potansiyeli Atlası. http://www.yegm.gov.tr/. Erişim tarihi Mayıs 22, 2018.
  6. Jaramillo, O. A., Borja, M. A. Wind speed analysis in La Ventosa, Mexico: a bimodal probability distribution case, Renewable Energy, 29, 1613-1630, 2004.
  7. Dorvlo A. S. S. Estimating wind speed distribution, Energy Conversion and Management, 43, 2311-2318, 2002.
  8. Seguro J. V. and Lambert T. W. Modern estimation of thr parametre sor the Weibull wind speed distribution for wind energy analysis. Wind Energy and Industrial Aerodynamics, 85, 75-84, 2000.
  9. Ramirez P. and Carta J.A. Influence of the data sampling interval in the estimation of the parameters of the Weibull wind speed probability density distribution: a case study, Energy Conversion and Management, 46, 2419-2438, 2005.
  10. Caglar, A. Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarak İncelenmesi. Cumhuriyet Science Journal, 38(4), 156-164, 2017.
  11. Akyuz, H. E., Gamgam, H. Weibull, Lognormal ve Gamma Dağılımları ile Rüzgâr Hızı Verilerinin İstatistiksel Analizi. Cumhuriyet Science Journal, 38(4), 68-76, 2017.
  12. Kurban M., Hocaoğlu F. O., Kantar ve Mert Y. Weibull dağılımı kullanılarak rüzgar hız ve güç yoğunluklarının istatistiksel analizi, Afyon Kocatepe Bilim Dergisi, 7(2), 205-218, 2007.
  13. Kaplan Y. A. Rayleigh ve Weibull dağılımları kullanılarak osmaniye bölgesinde rüzgar enerjisinin değerlendirilmesi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitü Dergisi, 20(1), 62-71, 2016.
  14. Gülersoy T. ve Çetin S. N., Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi, (13)3, 209-213, 2010.
  15. Ashrafi, Z. N., Ghasemian, M., Shahrestani, M. I., Khodabandeh, E., & Sedaghat, A. Evaluation of hydrogen production from harvesting wind energy at high altitudes in Iran by three extrapolating Weibull methods, International Journal of Hydrogen Energy, 43(6), 3110-3132, 2018.
  16. Shu, Z. R., Li, Q. S., & Chan, P. W. Investigation of offshore wind energy potential in Hong Kong based on Weibull distribution function, Applied Energy, 156, 362-373, 2015.
  17. Usta, I. An innovative estimation method regarding Weibull parameters for wind energy applications, Energy, 106, 301-314, 2016.
  18. Mohammadi, K., Alavi, O., Mostafaeipour, A., Goudarzi, N., & Jalilvand, M. Assessing different parameters estimation methods of Weibull distribution to compute wind power density, Energy Conversion and Management, 108, 322-335, 2016.
  19. Cliff, W. C., The Effect of generalized wind characteristics on annual power estimates from wind turbine generators, PNL-2436, Richland, Washington: Battele Pacific Northwest Laboratory, 1977.
  20. Çelik, A. N., A Statistical analysis of wind power density based on the Weibull and Rayleigh models at Southern Region of Turkey, Renewable Energy, 29, 593-604, 2004.
  21. Chang T. P., Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application, Appl Energy, 88, 272-282, 2011.
  22. Burges, C. J. C. A tutorial on support vector machines for pattern recognition, Data Mining Knowledge Discovery, 2(2), 121- 167, 1998.
  23. Vapnik, V. N. Statistical learning theory, New York: Wiley, 1998.
  24. Smola, A. J. and Schölkopf, B. A Tutorial on Support Vector Regression, Statistics and Computing, 14, 199-222, 2004.
  25. Vapnik, V., The Nature of Statistical Learning Theory, Springer-Verlag, New York, 1995.
  26. Cortes, C. and Vapnik, V. Support-Vector Networks. Mach. Learn. 20, 273-297, 1995.
  27. Yalçın C,. Analysis of instantaneous fuel consumption in aircrafts with support vector regression, Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2016.
  28. Osuna, E., Freund, R., Gırosı, F. Support vector machines: Training and applications, Massachusetts Institute of Technology and Artificial Intelligence Laboratory, Massachusetts.No:1602, C.B.C.L. Paper No. 144, 1997.
  29. Turkeyforum. Türkiye il, ilçe enlem ve boylamları http://www.turkeyforum.com/satforum/archive/index.php/t-308449.html. Erişim tarihi Mayıs 22, 2018
  30. Meteoroloji Genel Müdürlüğü. İl ve ilçe Hava Tahminleri. https://www.mgm.gov.tr/. Erişim tarihi Mayıs 22, 2018