Presented at the 3rd International Symposium on Innovative Approaches in Scientific Studies (Engineering and Natural Sciences) (ISAS2019-ENS), Ankara, Turkey, Apr 19, 2019

SETSCI Conference Proceedings, 2019, 4, Page (s): 651-655 , https://doi.org/

Published Date: 01 June 2019    | 711     7

Fosil bazlı yakıtların giderek ömrünü tamamladığı dünyamızda alternatif enerji kaynaklarının önemi hızla artmaktadır. Bir alternatif enerji şekli olan rüzgar enerjisinde, rüzgar türbinleri kurulu olduğu alanın sadece %1’ini işgal etmesi ve kurulduğu kırsal alanlarda tarım, hayvancılık ve ormancılık gibi faaliyetlere engel olmadığı için güneş enerji santrallerine göre daha fazla tercih edilebilir konumdadır. Ancak rüzgar enerjisinin değişkenliği ve süreksizliği, elektrik şebekesi içine rüzgar enerjisini entegre etmenin en büyük zorluğudur. Bu durumun önüne geçebilmenin en akıllıca yolu, rüzgar enerjisi üretiminin gelecekteki değerlerini tahmin etmektir. Yüksek doğrulukları ile rüzgar hızı tahmin yöntemleri bu sorunları en aza indirmek için kullanılabilecek etkili bir araçtır. Bu çalışma, geleneksel fonksiyonlu Yapay Sinir Ağları (YSA) ve Gauss Fonksiyonları ile Pencerelenmiş Polinom fonksiyonlarından POLYWOG1 aktivasyon fonksiyonu kullanan Dalgacık Sinir Ağları (DSA) kullanılarak çok kısa süreli rüzgar hızı tahminini ve bu ağların başarımlarının karşılaştırmasını sunmaktadır. Veri, bir yıllık bir süre için on dakikalık çözünürlükte Ondokuz Mayıs Üniversitesi'nde bulunan bir hava istasyonundan toplanmıştır. Rüzgar hızı tahminler önümüzdeki 10 dakika için 24 saatlik bir süre içinde sunulmaktadır. YSA ve DSA için aynı topoloji kullanılmasına rağmen, DSA için önerilen tahmin sisteminin başarımı, YSA’ya göre daha yüksektir. Kök Hata Kareler Ortalaması (RMSE) ve Ortalama Karesel Hata (MSE) başarım etmeni olarak seçilmiştir. Rüzgar enerjisi sağlayan sistemlerin, elde edilecek tahminler doğrultusunda, değişen atmosferik şartlara doğru ve hızlı şekilde uyumluğunun sağlanması hedeflenmektedir.

Keywords - Dalgacık Sinir Ağı, Yapay Sinir Ağı, Rüzgar Hızı Tahmini

[1] Tasçıkaraoğlu A., Uzunoglu M., “Dalgacık Dönüşümü ve Yapay Sinir Ağları ile Rüzgar Hızı Tahmini”, Elektrik-Elektronik ve Bilgisayar Sempozyumu FEEB 2011, Fırat Üniversitesi-Elazığ, 5-7 Ekim 2011.

[3] Soman S. S., Zareipour H., Malik O., and MandaI P., "A review of wind power forecasting methods with different time horizons," in North American Power Symposium, Arlington, TX, Sep. 26-28, 2010. Tahminlerinin Zaman Bazında Sınıflandırılması.

[47] Kalogirou, S. A., 2000. Artificial neural networks in renewable energy systems applications: a review, Renewable and Sustainable Energy Reviews, 5, 373 – 401.

[48] Kalogirou, S.A., 1999. Applications of artificial neural networks in energy systems a review, Energy Conversion & Management, 40, 1073-1087.

[49] Fu, L.M., 1994. Neural Networks in Computer Intelligence, McGrawHill International Editions.

[50] Rumelhart D.E., Hinton, G.E., ve Williams, R.J.1986. Learning internal representation by error propagation. Parallel distributed processing, Vol. 1: Foundations, MIT Press, Cambridge, Mass.

[4] Veitch D., 2005, Wavelet Neural Networks and their application in the study of dynamical systems, Yüksek Lisans Tezi, York Üniversitesi, Matematik Bölümü, York /İngiltere.

[5] Baily, D., Thomson, D., “Developing Neural Network Application”. AI Expert, 33-41, 1990.

[6] Katz, J. O., “Developing Neural Network Forecasters for Trading”, Technical Analysis of Stocks and Commodities, 58-70, 1992.

[7] Doig, G., “Severity of Illness Scoring in the Intensive Care Unit: A Comparison of Logistic Regression and Artificial Neural Networks”, PhD , The University of Western Ontario, 1999.

[8] Jayalakshmi, T. and Santhakumaran A.; (2011), “Statistical Normalization and Back Propagation for Classification’’, International Journal of Computer Theory and Engineering, 3(1), pp. 1793-8201.

[9] Öztemel, E; (2003), Yapay Sinir Ağları, Birinci Baskı, İstanbul: Papatya Yayıncılık.

[10] Doğan, E., Işık S. ve Mehmet Sandalcı M., (2007), “ Günlük Buharlaşmanın Yapay Sinir Ağları Kullanarak Tahmin Edilmesi’’, İMO Teknik Dergi, ss. 4119 -4131.

[11] Challagulla, V.U.B. , Bastani, F.B., I-Ling Yen, Paul, (2005) “Empirical assessment of machine learning based software defect prediction techniques”, 10th IEEE International Workshop on ObjectOriented Real-Time Dependable Systems, WORDS 2005, 2-4 Feb 2005, sayfa 263-270.