KaydedilenlerDerginizi ekleyin

Dergiler / Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 8 Sayı: 4

Rüzgâr Türbinleri İçin Yapay Zekâ Tabanlı Dinamik Kanat Açısı Kontrolü ile Enerji Verimliliğinin Araştırılması

Investigation of Energy Efficiency with Artificial Intelligence Based Dynamic Blade Angle Control for Wind Turbines

Ahmet Yönetken(AFYON KOCATEPE UNIVERSITY, FACULTY OF TECHNOLOGY)0000-0003-1844-7233
İdris Kosova(AFYON KOCATEPE UNIVERSITY, FACULTY OF TECHNOLOGY)0009-0007-0090-9360
Sayfa
1654–1669
Yayın Tarihi
2025-09-16
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Rüzgar hızı ve kanat açısına bağlı olarak enerji üretim tahminleri yapan model, düşük hızlarda DKAK'nin enerji verimliliğini artırdığını, yüksek hızlarda ise türbin güvenliğini sağladığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, rüzgar türbinlerinde enerji verimliliğini artırmak için Dinamik Kanat Açısı Kontrolü (DKAK) yöntemini incelemektedir.
📊
Temel Bulgular & Veri:Çalışmada, yapay zeka destekli bir model kullanılarak DKAK’nin enerji verimliliği üzerindeki etkileri analiz edilmiştir.
💡
Sonuç & Katkı:Rüzgar hızı ve kanat açısına bağlı olarak enerji üretim tahminleri yapan model, düşük hızlarda DKAK'nin enerji verimliliğini artırdığını, yüksek hızlarda ise türbin güvenliğini sağladığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Dinamik Kanat Açısı Kontrolü · Rüzgar Türbinleri · Enerji Verimliliği

Özet

Bu çalışmada, rüzgar türbinlerinde enerji verimliliğini artırmak için Dinamik Kanat Açısı Kontrolü (DKAK) yöntemini incelemektedir. Rüzgar hızındaki değişimlere göre kanat açısının uyarlanmasını sağlayan DKAK, türbin güvenliğini korurken enerji üretimini optimize etmeyi amaçlamaktadır. Çalışmada, yapay zeka destekli bir model kullanılarak DKAK’nin enerji verimliliği üzerindeki etkileri analiz edilmiştir. Rüzgar hızı ve kanat açısına bağlı olarak enerji üretim tahminleri yapan model, düşük hızlarda DKAK'nin enerji verimliliğini artırdığını, yüksek hızlarda ise türbin güvenliğini sağladığını göstermektedir. Modelin performansı, ileri beslemeli kontrol stratejileri ve LiDAR destekli sistemler ile güçlendirilmiştir. Bu sonuçlar, rüzgar türbinlerinde enerji verimliliğini artırmak için DKAK ve yapay zeka tabanlı kontrol sistemlerinin önemini vurgulamaktadır.

Abstract

In this study, This study examines the use of Dynamic Blade Angle Control (DBAC) to improve energy efficiency in wind turbines. DBAC adapts blade pitch based on wind speed fluctuations to optimize energy production while maintaining turbine safety. Using an artificial intelligence-based model, this study analyzes the effects of DBAC on energy efficiency. The model predicts energy production based on wind speed and blade pitch, showing that DBAC increases energy efficiency at low speeds and ensures turbine safety at high speeds. The model's performance is enhanced with feedforward control strategies and LiDAR-assisted systems. These results emphasize the importance of DBAC and AI-based control systems in enhancing energy efficiency in wind turbines

🔖

Bu Makaleye Atıf Yap

Yönetken, A., Kosova, İ. (2025). Rüzgâr Türbinleri İçin Yapay Zekâ Tabanlı Dinamik Kanat Açısı Kontrolü ile Enerji Verimliliğinin Araştırılması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 8 Sayı: 4, 1654–1669. https://doi.org/10.47495/okufbed.1568705

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (20)

  1. Abouheaf M., Gueaieb W., Sharaf A. Model-free adaptive learning control scheme for wind turbines with doubly fed induction generators. IET Renewable Power Generation. 2018; 12(14): 1675-1686.
  2. Bossanyi E., Leithead W., Gaunaa M. Impact of multi-axis control on wind turbine efficiency. Wind Energy. 2023; 46: 123-135.
  3. Bottasso C., Wang L. Enhancing wind turbine stability with advanced pitch control algorithms. Journal of Renewable and Sustainable Energy. 2023; 15(3): 230-239.
  4. David F., Steffen H. Comparative study on neural network-based and traditional pitch control. Energy Reports. 2023; 10: 127-138.
  5. Fernandez-Gauna B., Fernandez-Gamiz U. Variable speed wind turbine controller adaptation by reinforcement learning. Integrated Computer-Aided Engineering. 2017; 24(1): 27-39.
  6. Haizmann F., Bauer N., Brücke T. Model predictive control for blade pitch optimization. Renewable Energy Journal. 2022; 75: 258-270.
  7. Harris M., Cole S., Good M. Longitudinal velocity estimation using nacelle-mounted lidar systems. Renewable Energy Journal. 2023; 35: 457-470.
  8. Khaniki R., Azadi M., Faghihimani M. LiDAR-based wind prediction for feedforward pitch control. Journal of Wind Engineering. 2023; 30(2): 112-125.
  9. Landaluze M., Saenz-Antoñanzas A., Ibañez E. Variable pitch control for floating wind turbines. Energies. 2023; 16: 675-685.
  10. Mathur A., Kumar S., Singh V. Predictive pitch control algorithms for energy maximization. Energy Conversion and Management. 2023; 286: 117-128.
  11. Mulders S.P., van der Zee K., Korterink H. Adaptive individual pitch control schemes for fatigue load reduction. Applied Sciences. 2024; 14(1): 327-335.
  12. Scholbrock A., Roadman J., Schmid K. Feedforward pitch control for a 15 MW wind turbine using lidar technology. Wind Energy Science. 2023; 8: 157-168.
  13. Sierra-García J.E., Santos M. Redes neuronales y aprendizaje por refuerzo en el control de turbinas eólicas. Revista Iberoamericana de Automática e Informática industrial. 2021; 18(4): 327-335.
  14. Simley E., Scholbrock A., Scott G. Evaluation of lidar data accuracy in wind turbine applications. Journal of Wind Engineering and Industrial Aerodynamics. 2022; 187: 130-145.
  15. Smith R., Wu J. Optimal blade pitch control for vertical-axis wind turbine performance enhancement. Nature Communications. 2023; 12: 457-469.
  16. Van S., Bottasso C. Gain-scheduled pitch control in fluctuating wind. Renewable Energy Science. 2022; 68: 392-405.
  17. Yamaguchi S., Kato K., Hara Y. Cabin feeDBACk and lidar for hybrid pitch control. Energy Journal. 2023; 112: 204-214.
  18. Yang D., Li X. Machine learning-enhanced wind speed prediction models for optimal pitch control. Energy AI. 2022; 10: 117-125.
  19. Yuan Y., Li T., Wang P. Incremental feedforward collective pitch control method for wind turbines. Frontiers in Energy Research. 2023; 23: 267-278.
  20. Zhang Z., Jin H. Adaptive enhancement of acoustic resolution photoacoustic microscopy imaging via deep CNN prior. Photoacoustics. 2023; 30: 100484.