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

Balpetek, Nilay; akpınar, ebru; AKPINAR, Sinan; DAS, Mehmet

doi:10.17341/gazimmfd.432590

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

Mehmet DAŞ, (Fırat Üniversitesi, Mühendislik Fakültesi, Makine Mühendisliği Bölümü, Elazığ, Türkiye)

Nilay BALPETEK, (Erzincan Binali Yıldırım Üniversitesi, İliç Dursun Yıldırım Meslek Yüksekokulu, Elektrik ve Enerji Bölümü, Erzincan, Türkiye)

Ebru KAVAK AKPINAR, (Erzincan Binali Yıldırım Üniversitesi, İliç Dursun Yıldırım Meslek Yüksekokulu, Elektrik ve Enerji Bölümü, Erzincan, Türkiye)

Sinan AKPINAR (Fırat Üniversitesi, Fen Fakültesi, Fizik Bölümü, Elazığ, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

9 3

Yıl: 2019 Cilt: 34 Sayı: 4 Sayfa Aralığı: 2203 - 2213 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.432590 İndeks Tarihi: 06-01-2021

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

Öz:

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

Anahtar Kelime:

Investigation of wind energy potential of different provinces found in Turkey and establishment of predictive model using support vector machine regression with the obtained results

Öz:

In this study, wind energy potential of Sinop and Adıyaman provinces in different regions of Turkey were analyzed statistically, based on the hourly measured data by Directorate of State Meteorological Station in 2008-2017 years. During the statistical analysis, average wind speed, standard deviation of wind speed, maximum wind speed and wind power density were determined. The Weibull distribution function was used to the distribution of wind speed and determination of wind power intensity. For the power density values obtained as a result of the study, a predictive model was established with the support vector machine (SVM) regression. Polynomial kernel, normalized polynomial kernel, radial basis function (RBF) kernel and Pearson universal kernel VII (PUK) models were used in SVM regression. Mean absolute error (MAE), root mean square error (RMSE), relative absolute error (RAE), and root relative square error (RRSE) error analyzes were performed for SVM regression estimates. The best estimation of wind power density predictive models generated by 4 different kernel functions using SVM regression was shown to belong to the polynomial kernel.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

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. Ozcan, M. The role of renewables in increasing Turkey's self-sufficiency in electrical energy. Renewable and Sustainable Energy Reviews, 82-3, 2018.
4. 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.
5. 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.
6. Yenilenebilir Enerji Genel Müdürlüğü Rüzgâr Enerji Potansiyeli Atlası. http://www.yegm.gov.tr/. Erişim tarihi Mayıs 22, 2018.
7. Onar, S. Ç., & Kılavuz, T. N. Risk analysis of wind energy investments in Turkey. Human and Ecological Risk Assessment: An International Journal, 21(5), 1230- 1245, 2015.
8. Ertürk, M. The evaluation of feed-in tariff regulation of Turkey for onshore wind energy based on the economic analysis. Energy Policy, 45, 359-367, 2012.
9. Jaramillo, O. A., Borja, M. A. Wind speed analysis in La Ventosa, Mexico: a bimodal probability distribution case, Renewable Energy, 29, 1613-1630, 2004.
10. Dorvlo A. S. S. Estimating wind speed distribution, Energy Conversion and Management, 43, 2311-2318, 2002.
11. Seguro J. V. and Lambert T. W. Modern estimation of the parameter of the Weibull wind speed distribution for wind energy analysis. Wind Energy and Industrial Aerodynamics, 85, 75-84, 2000.
12. 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.
13. Caglar, A. Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarak İncelenmesi. Cumhuriyet Science Journal, 38 (4), 156- 164, 2017.
14. Akyuz, H. E., Gamgam, H. Weibull, Lognormal ve Gamma Dağılımları ile Rüzgâr Hızı Verilerinin İstatistiksel Analizi. Cumhuriyet Science Journal, 38 (4), 68-76, 2017.
15. 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.
16. 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.
17. Gülersoy T. ve Çetin S. N., Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi, 3 (13), 209-213, 2010.
18. 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.
19. 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.
20. Usta, I. An innovative estimation method regarding Weibull parameters for wind energy applications, Energy, 106, 301-314, 2016.
21. 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.
22. 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.
23. 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.
24. Chang T. P., Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application, Appl Energy, 88, 272-282, 2011.
25. Burges, C. J. C. A tutorial on support vector machines for pattern recognition, Data Mining Knowledge Discovery, 2 (2), 121- 167, 1998.
26. Vapnik, V. N. Statistical learning theory, New York: Wiley, 1998.
27. Smola, A. J. and Schölkopf, B. A Tutorial on Support Vector Regression, Statistics and Computing, 14, 199- 222, 2004.
28. Vapnik, V., The Nature of Statistical Learning Theory, Springer-Verlag, New York, 1995.
29. Cortes, C. and Vapnik, V. Support-Vector Networks. Mach. Learn. 20, 273-297, 1995.
30. Yalçın C,. Analysis of instantaneous fuel consumption in aircrafts with support vector regression, Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2016.
31. 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.
32. Turkeyforum. Türkiye il, ilçe enlem ve boylamları http://www.turkeyforum.com/satforum/archive/index.p hp/t-308449.html. Erişim tarihi Mayıs 22, 2018
33. Meteoroloji Genel Müdürlüğü. İl ve ilçe Hava Tahminleri. https://www.mgm.gov.tr/. Erişim tarihi Mayıs 22, 2018

APA	DAS M, Balpetek N, akpınar e, AKPINAR S (2019). Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. , 2203 - 2213. 10.17341/gazimmfd.432590
Chicago	DAS Mehmet,Balpetek Nilay,akpınar ebru,AKPINAR Sinan Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. (2019): 2203 - 2213. 10.17341/gazimmfd.432590
MLA	DAS Mehmet,Balpetek Nilay,akpınar ebru,AKPINAR Sinan Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. , 2019, ss.2203 - 2213. 10.17341/gazimmfd.432590
AMA	DAS M,Balpetek N,akpınar e,AKPINAR S Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. . 2019; 2203 - 2213. 10.17341/gazimmfd.432590
Vancouver	DAS M,Balpetek N,akpınar e,AKPINAR S Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. . 2019; 2203 - 2213. 10.17341/gazimmfd.432590
IEEE	DAS M,Balpetek N,akpınar e,AKPINAR S "Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması." , ss.2203 - 2213, 2019. 10.17341/gazimmfd.432590
ISNAD	DAS, Mehmet vd. "Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması". (2019), 2203-2213. https://doi.org/10.17341/gazimmfd.432590

APA	DAS M, Balpetek N, akpınar e, AKPINAR 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, 34(4), 2203 - 2213. 10.17341/gazimmfd.432590
Chicago	DAS Mehmet,Balpetek Nilay,akpınar ebru,AKPINAR Sinan 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 34, no.4 (2019): 2203 - 2213. 10.17341/gazimmfd.432590
MLA	DAS Mehmet,Balpetek Nilay,akpınar ebru,AKPINAR Sinan 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, vol.34, no.4, 2019, ss.2203 - 2213. 10.17341/gazimmfd.432590
AMA	DAS M,Balpetek N,akpınar e,AKPINAR S 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. 2019; 34(4): 2203 - 2213. 10.17341/gazimmfd.432590
Vancouver	DAS M,Balpetek N,akpınar e,AKPINAR S 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. 2019; 34(4): 2203 - 2213. 10.17341/gazimmfd.432590
IEEE	DAS M,Balpetek N,akpınar e,AKPINAR S "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, 34, ss.2203 - 2213, 2019. 10.17341/gazimmfd.432590
ISNAD	DAS, Mehmet vd. "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 34/4 (2019), 2203-2213. https://doi.org/10.17341/gazimmfd.432590