SavedAdd your journal

Journals / Mesleki Bilimler Dergisi (MBD) / 2026 / Cilt: 8 Sayı: 1

UZUN DÖNEM RÜZGÂR HIZI TAHMİNİNDE YAPAY SİNİR AĞLARININ KULLANIMI VE PERFORMANS İNCELEMESİ

Mustafa Altınsoy(GAZI UNIVERSITY, FACULTY OF TECHNOLOGY)0000-0003-1744-9704
Güngör Bal(GAZI UNIVERSITY, FACULTY OF TECHNOLOGY)0000-0002-0564-5903
Pages
21–28
Publication Date
2019-05-31
DOI
—
🏛️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)

Rüzgâr hızı tahmin sonuçlarına bakıldığında; test verileri için ortalama mutlak yüzdesel hata (OMYH) Çubuk için %9,48, Keçiören için %7,77, Polatlı için %7,88, Bala için %6,83, Şereflikoçhisar için %8,02 ve Haymana için %5,41 şeklinde bulundu.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Enerjinin mümkün olduğu sürece yenilenebilir kaynaklardan sağlanması sürdürülebilir kalkınmanın en önemli gerekliliklerindendir.
📊
Key Findings & Data:Bu durum, ülkemizi stratejik ve ekonomik olarak olumsuz etkilemektedir.
💡
Conclusion & Impact:Rüzgâr hızı tahmin sonuçlarına bakıldığında; test verileri için ortalama mutlak yüzdesel hata (OMYH) Çubuk için %9,48, Keçiören için %7,77, Polatlı için %7,88, Bala için %6,83, Şereflikoçhisar için %8,02 ve Haymana için %5,41 şeklinde bulundu.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yenilenebilir enerji · Rüzgâr hızı · Yapay sinir ağları

Özet

Enerjinin mümkün olduğu sürece yenilenebilir kaynaklardan sağlanması sürdürülebilir kalkınmanın en önemli gerekliliklerindendir. Rüzgâr enerjisi, mevcut potansiyel bakımından Türkiye coğrafyasında önemli bir yere sahiptir. Ülkemizde tüketilen enerjinin önemli bir kısmı fosil yakıtlarla ve ithal edilen kaynaklarla sağlanmaktadır. Bu durum, ülkemizi stratejik ve ekonomik olarak olumsuz etkilemektedir. Tüm dünyada olduğu gibi ülkemizde de yenilenebilir enerji yatırımları artmaktadır. Yenilenebilir enerji potansiyellerinin doğru bir şekilde belirlenmesi, yatırımın atıl konuma düşmesini önleyecektir. Bu çalışmada Meteoroloji İşleri Genel Müdürlüğü’nden temin edilen geçmişe dönük 30 yıllık rüzgâr hızı, nem, basınç, sıcaklık ve yağış miktarı verilerini kapsayan meteorolojik veri seti kullanılmıştır. Bu veri setiyle Ankara ilinde bulunan örnek ilçeler için rüzgâr hızı tahmini yapılmıştır. Matlab'da YSA modellerini oluşturmak için farklı yapay sinir ağı öğrenme algoritmaları kullanılmıştır. Rüzgâr hızı tahmin sonuçlarına bakıldığında; test verileri için ortalama mutlak yüzdesel hata (OMYH) Çubuk için %9,48, Keçiören için %7,77, Polatlı için %7,88, Bala için %6,83, Şereflikoçhisar için %8,02 ve Haymana için %5,41 şeklinde bulundu.

🔖

Cite This Article

Altınsoy, M., Bal, G. (2019). UZUN DÖNEM RÜZGÂR HIZI TAHMİNİNDE YAPAY SİNİR AĞLARININ KULLANIMI VE PERFORMANS İNCELEMESİ. Mesleki Bilimler Dergisi (MBD), Cilt: 8 Sayı: 1, 21–28. https://ajindex.com/articles/1596450

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. i) https://www.tureb.com.tr/turebsayfa/basin-bildirisi/20-subat-2017, E. Tar.: 10.10.2018
  2. ii) http://www.emo.org.tr/ekler/da44881c9619855_ek.pdf, E. Tar.: 10.10.2018
  3. iii) https://setav.org/assets/uploads/2017/04/YenilenebilirEnerji.pdf, E. Tar.: 10.10.2018
  4. iv) Çam, E. vd. (2005), A Classification Mechanism For Determining Average Wind Speed And Power In Several Regions Of Turkey Using Artificial Neural Networks. Renewable Energy, 30 (2): 227-239.
  5. v) Sözen, A. vd. (2005), Solar-Energy Potential In Turkey. Applied Energy, 80 (4): 367-381.
  6. vi) Yalçın, N., Yapay Sinir Ağları Ders Notları. Bilecik Üniversitesi.
  7. vii) Yavuz, S., Deveci, M. (2012), İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performasına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40: 167-187.
  8. viii) Karali, F.C., Ülengin, F. (2008), Yapay Sinir Ağları ve Bilişsel Haritalar Kullanılarak İşsizlik Oranı Öngörü Çalışması. İtü Dergisi/d Mühendislik. 7 (3): 15-26.ix) Witt, S.F., Witt, C.A. (1992), Modeling and Forecasting Demand in Tourism, Academic Press, Londra, Britain.
  9. x) Lewis, C.D. (1982), Industrial and Business Forecasting Methods. Butterworths Publishing, Londra, Britain.
  10. xi) Chang, G. W. vd. (2016), A Hybrid Model for Forecasting Wind Speed and Wind Power Generation, 2016 IEEE Power and Energy Society General Meeting (PESGM), Boston: 1-5.
  11. xii) Eseye, A. T. vd. (2017), Short-Term Wind PowerForecasting Using a Double-Stage Hierarchical Hybrid GA-ANN Approach, 2017 İEEE 2nd İnternational Conference on Big Data Analysis, Beijing, 552-556.
  12. xiii) Selvi, B. Ş. vd., (2016), EMOFs Tekniği Kullanılarak Rüzgâr Gücü Tahmini Yapılması, Elektrik, Elektronik ve Biyomedikal Mühendisliği Konferansı, Bursa, 63-65.
  13. xiv) Anurag, M. Deo, M.C. (2003), Forecasting wind with neural networks, Marine Structures, 16: 35-49.
  14. xv) Finamore, A. R. vd. (2016), Artificial neural network application in wind forecasting: an one-hour-ahead wind speed prediction, 5th IET International Conference on Renewable Power Generation (RPG), London, (1-6).
  15. iv) Çam, E. vd. (2005), A Classification Mechanism For Determining Average Wind Speed And Power In Several Regions Of Turkey Using Artificial Neural Networks. Renewable Energy, 30 (2): 227-239.