Yapılan analizler sonucunda logit ve probit regresyon modellerinin yaklasık %87 dogruluk oranıyla, perseptronun ise yaklasık olarak %70 dogruluk oranıyla sistemin çalısma durumunu tespit ettigi görülmüstür.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalısmada, Anadolu Üniversitesi iki Eylül Kampusu 'nde kurulmus olan hibrit (rüzgar-günes) enerji santral modelinin, rüzgar hızı, günes ısınım siddeti, izlenen saat verilerine dayalı olarak belirlenen günlük yük talebini karsılayacak enerji üretip üretmeyecegi lojistik regresyon modelleri olan logit ve probit regresyon ve tek katmanlı perseptron kullanılarak sınıflandırılmıstır.
📊
Key Findings & Data:Bu çalısmada, Anadolu Üniversitesi iki Eylül Kampusu 'nde kurulmus olan hibrit (rüzgar-günes) enerji santral modelinin, rüzgar hızı, günes ısınım siddeti, izlenen saat verilerine dayalı olarak belirlenen günlük yük talebini karsılayacak enerji üretip üretmeyecegi lojistik regresyon modelleri olan logit ve probit regresyon ve tek katmanlı perseptron kullanılarak sınıflandırılmıstır.
💡
Conclusion & Impact:Yapılan analizler sonucunda logit ve probit regresyon modellerinin yaklasık %87 dogruluk oranıyla, perseptronun ise yaklasık olarak %70 dogruluk oranıyla sistemin çalısma durumunu tespit ettigi görülmüstür.
Bu çalısmada, Anadolu Üniversitesi iki Eylül Kampusu 'nde kurulmus olan hibrit (rüzgar-günes) enerji santral modelinin, rüzgar hızı, günes ısınım siddeti, izlenen saat verilerine dayalı olarak belirlenen günlük yük talebini karsılayacak enerji üretip üretmeyecegi lojistik regresyon modelleri olan logit ve probit regresyon ve tek katmanlı perseptron kullanılarak sınıflandırılmıstır. Yapılan analizler sonucunda logit ve probit regresyon modellerinin yaklasık %87 dogruluk oranıyla, perseptronun ise yaklasık olarak %70 dogruluk oranıyla sistemin çalısma durumunu tespit ettigi görülmüstür.
KURBAN, M., KANTAR, Y., HOCAOĞLU, O. (2009). Lojistik Regresyon ve Perseptron Modelleri Kullanılarak Rüzgar-Günes Enerji Santral Modellerinin Güç Üretim Analizinin Durumu. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 11 - Sayı: 1, 91–95. https://ajindex.com/articles/701753
Akkaya, Ş., Pazarlıoğlu M.V. 1998. Ekonometri II, erkam Yayınevi,
İzmir.
Borowy, B.S., Salameh, Z. M. 1996. Methodology for Optimally Sizing the Combination of a Battery and PV Array in a Wind/PV. Hybrid System, 11, 367- 375. Dobson, A.J. 2001. An Intoduction to generalized Linear models, Chapman&Hall/Crs., London and Boca Raton. Fırat, M.Z., Onay, A. 1999. Bitki Doku Kültürü Çalışmalarında elde edilen binom verilerinin genelleştirilmiş lineer modeller kullanarak analizi. Tr.J.Biology, 23, 261-267.
Groumpos, P. P., Papageorgiou, G., 1987. An optimal sizing method for stand-alone photovoltaic power systems. Solar Energy, 38, 341-351.
Gujarati, D.N., 1999.
Basic Econometrics, Mcgraw-Hill Inc., New York. Haykin, S. 1994. Neural networks. Macmillan College Publishing Company, New York: Jalkanen, A., Mattila, U. 2000. Logistic regression models for wind and snow damage in the northern Finland based on the natiaonal Forest Inventory data. Forest Ecology and management, 135, 315-330.
Kosmeli K., Vandal, K. 2003. Comparison of two generalized logistic regression models: a case study, 25th Int. Conf. Information technology Inferfaces ITI, June16-19, Cavrat. Markvart, T. 1997. Sizing of hybrid photovoltaic-wind energy systems. Solar Energy, 57, 277-281.
Montgomery, D.C., Pect, E.A., Vining, G.G. 2000. Introduction to Linear regression analysis, John Wiley &Sons, New York. Musellı, M., Notton, G., Louche A. 1999. Desıgn Of Hybrıd-Photovoltaıc Power Generator, with Optimization of Energy Management. Solar Energy, 65, 143–157.
Srivastava, N. 2005. A logistic regression model for predicting the occurence of intense geomagnetic storms. Annales Geophysicae, 23, 2969-2974
Thomas, L.C., Jung, K.M., Thomas, S.D., Wu, Y. 2006. Modelling consumer acceptance probabilities. Expert Systems with Applications, 30, 499-506.