Dergiler / El-Cezeri / 2022 / Cilt: 9 - Sayı: 4

Dört Farklı Metasezgisel Algoritma Kullanılarak Rüzgâr Hızı Olasılık Dağılımı Parametrelerinin Tahmini

Estimation of Wind Speed Probability Distribution Parameters by Using Four Different Metaheuristic Algorithms

Sayfa
1342–1362
Yayın Tarihi
2022-12-31
DOI
—
🏛️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)

Her istasyonda her bir olasılık yoğunluk fonksiyonu için ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE) ve R2 değerleri hesaplanarak, rüzgâr hızı olasılık dağılımını en iyi karakterize eden olasılık yoğunluk fonksiyonu belirlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Güneş ve rüzgâr enerjisi gibi yenilenebilir enerji kaynaklarından (YEK) üretilen enerjinin mevcut enerji sistemlerine dahil edilmesi, karbon salınımlarını, hava kirliliğini ve iklim değişikliğini azaltmak ve sürdürülebilir bir kalkınmayı sağlamak için önemlidir.
📊
Temel Bulgular & Veri:Bu çalışmada, İstanbul’da bulunan kentsel istasyonlardan elde edilen rüzgâr hızı verileri için, toplamda üç farklı olasılık yoğunluk fonksiyonu dikkate alınarak, Weibull olasılık yoğunluk fonksiyonunun ölçek ve şekil parametreleri, Rayleigh olasılık yoğunluk fonksiyonunun ölçek parametresi ve Gamma olasılık yoğunluk fonksiyonunun ölçek ve şekil parametreleri, Genetik Algoritma (GA), Diferansiyel Evrim (DE), Parçacık Sürü Optimizasyonu (PSO) ve Gri Kurt Optimizasyonu (GWO) algoritmaları olmak üzere dört farklı metasezgisel algoritma kullanılarak tahmin edilmiştir.
💡
Sonuç & Katkı:Her istasyonda her bir olasılık yoğunluk fonksiyonu için ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE) ve R2 değerleri hesaplanarak, rüzgâr hızı olasılık dağılımını en iyi karakterize eden olasılık yoğunluk fonksiyonu belirlenmiştir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Rüzgâr hızı · yenilenebilir enerji · olasılık yoğunluk fonksiyonu

Özet

Güneş ve rüzgâr enerjisi gibi yenilenebilir enerji kaynaklarından (YEK) üretilen enerjinin mevcut enerji sistemlerine dahil edilmesi, karbon salınımlarını, hava kirliliğini ve iklim değişikliğini azaltmak ve sürdürülebilir bir kalkınmayı sağlamak için önemlidir. Ancak YEK’lerin enerji sistemine entegrasyonu, oldukça belirsiz ve kesintili yapıları nedeniyle hayli zordur. Bu çalışmada, İstanbul’da bulunan kentsel istasyonlardan elde edilen rüzgâr hızı verileri için, toplamda üç farklı olasılık yoğunluk fonksiyonu dikkate alınarak, Weibull olasılık yoğunluk fonksiyonunun ölçek ve şekil parametreleri, Rayleigh olasılık yoğunluk fonksiyonunun ölçek parametresi ve Gamma olasılık yoğunluk fonksiyonunun ölçek ve şekil parametreleri, Genetik Algoritma (GA), Diferansiyel Evrim (DE), Parçacık Sürü Optimizasyonu (PSO) ve Gri Kurt Optimizasyonu (GWO) algoritmaları olmak üzere dört farklı metasezgisel algoritma kullanılarak tahmin edilmiştir. Her istasyonda her bir olasılık yoğunluk fonksiyonu için ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE) ve R2 değerleri hesaplanarak, rüzgâr hızı olasılık dağılımını en iyi karakterize eden olasılık yoğunluk fonksiyonu belirlenmiştir.

Abstract

The inclusion of energy produced from renewable energy sources (RES) such as solar and wind energy into existing energy systems is important to reduce carbon emissions, air pollution and climate change, and to ensure sustainable development. However, the integration of RES into the energy system is quite difficult due to their highly uncertain and intermittent nature. In this study, considering three different probability density functions (PDFs) in total, the scale and shape parameters of the Weibull PDF, the scale parameter of the Rayleigh PDF, and the scale and shape parameters of the Gamma PDF were estimated for the wind speed data obtained from urban stations located in Istanbul by using the four different metaheuristic algorithms, namely Genetic Algorithm (GA), Differential Evolution (DE), Particle Swarm Optimization (PSO) and Grey Wolf Optimization (GWO) algorithms. Calculating the mean absolute error (MAE), root mean squared error (RMSE), and R2 values for each PDF at each station, the PDF that characterizes the wind speed probability distribution the best was identified.

🔖

Bu Makaleye Atıf Yap

ORAL, O., İNCE, M., AYLAK, B. L., ÖZDEMİR, M. H. (2022). Dört Farklı Metasezgisel Algoritma Kullanılarak Rüzgâr Hızı Olasılık Dağılımı Parametrelerinin Tahmini. El-Cezeri, Cilt: 9 - Sayı: 4, 1342–1362. https://ajindex.com/articles/859077

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Fyrippis, I., Axaopoulos, P. J., Panayiotou, G., “Wind energy potential assesment in Naxos Island, Greece. Applied Energy, 2010, 87(2), 577-586.
  2. Leung, D. Y., Yang, Y.,“Wind energy development and its environmental impact: A review”, Renewable and Sustainable Energy Reviews, 2012, 16(1): 1031-1039.
  3. Salameh, Z., Nandu, C. V., „Overview of building integrated wind energy conversion systems”, In IEEE PES General Meeting, 2010, 1-6,
  4. IEEE. Li, M., Li, X., “Investigation of wind characteristics and assessment of wind energy potential for Waterloo region, Canada”, Energy Conversion and Management, 2005, 46(18-19):3014-3033. Amaya-Martínez, P. A., Saavedra-Montes, A. J., Arango-Zuluaga, E. I., “A statistical analysis of wind speed distribution models in the Aburrá Valley, Colombia”, CT&F-Ciencia, Tecnología y Futuro, 2014, 5(5): 121-136.
  5. Calif, R., “PDF models and synthetic model for the wind speed fluctuations based on the resolution of Langevin equation”, Applied energy, 2012, 99: 173-182.
  6. Jiang, H., Wang, J., Wu, J., Geng, W., “Comparison of numerical methods and metaheuristic optimization algorithms for estimating parameters for wind energy potential assessment in low wind regions”, Renewable and Sustainable Energy Reviews, 2017, 69: 1199-1217.
  7. Alrashidi, M., Rahman, S., Pipattanasomporn, M., “Metaheuristic optimization algorithms to estimate statistical distribution parameters for characterizing wind speeds”, Renewable Energy, 2020, 149: 664-681.
  8. Akdağ, S. A., Dinler, A., “A new method to estimate Weibull parameters for wind energy applications”, Energy conversion and management, 2009, 50(7): 1761-1766. Pobočíková, I., Sedliačková, Z. Michalková, M., “Application of four probability distributions for wind speed modeling”, Procedia Engineering, 2017, 192: 713-718.
  9. Koca, M. B., Kilic, M. B., Şahin, Y., “Using genetic algorithms for estimating Weibull parameters with application to wind speed”, An International Journal of Optimization and Control: Theories & Applications (IJOCTA). 2020, 137-146.
  10. Wadi, M., Elmasry, W., “Statistical analysis of wind energy potential using different estimation methods for Weibull parameters: a case study”, Electrical Engineering, 2021, 103: 2573-2594.
  11. Kollu, R., Rayapudi, S. R., Narasimham, S. V. L., Pakkurthi, K. M., “Mixture probability distribution functions to model wind speed distributions”, International Journal of Energy and Environmental Engineering, 2012, 3(1): 1-10.
  12. Mazzeo, D., Oliveti, G. Labonia, E., “Estimation of wind