Rüzgâr potansiyelinin yapay sinir ağlarıyla analizi ve uygulaması

Abstract

Bu çalışmada, Türkiye'nin kuzeyinde Karadeniz bölgesinin Orta Karadeniz bölümünde konuşlu Tokat iline ait rüzgâr verilerinin, Yapay sinir ağları (YSA) yardımıyla rüzgâr hızı tahmini için kullanılması incelenmiştir. Rüzgâr hızı modellemesinde MATLAB Neural Network araç kutusu ile geri beslemeli, 3 katmanlı bir ağ tasarlanmıştır. Kullanılan veriler devlet meteoroloji işleri istasyonundan 10 metre yükseklikten alınmıştır. Tokat iline ait 2010 yılı günlük ortalama rüzgâr hızı tahmini 2005-2010 yılları arasındaki verilerden yararlanılarak, YSA geri beslemeli ağ öğrenme algoritmaları kullanılarak 2010 yılına ait rüzgâr hızı verilerinin tahmini yapılmıştır. Her üç ayın Rüzgâr-Sıcaklık (R-S), Rüzgâr-Basınç (R-B), Rüzgâr-Nem (R-N) giriş verileri kullanılarak rüzgâr hızı tahmini için Levenberg ? Marquardt (LM), Dik iniş (Dİ) ile Esnek yayılım (EY) öğrenme algoritmaları kullanılarak 36 adet grafik elde edilerek ortalama karekök hatası (OKH) değerleri hesaplanmıştır.Anahtar kelimeler: Yapay sinir ağları, Rüzgâr hızı tahmini, Resilient, Levenberg ? Marquardt, gradient ? Descent

In this study, wind data acquired from Tokat province located in the Central Black Sea section of the Black Sea region of Turkey were used to estimate wind speed by using artificial neural networks (YSA). A 3-layer feedback network was designed for wind speed modeling with MATLAB Neural Network Toolbox. Data used were acquired from State Meteorological station taken from a height of 10 meters. By using daily average wind speed data of Tokat province in 2010, YSA feedback network algorithms were used for estimation wind speed data. To estimate the wind speed, of each three months wind-temperature, wind ?pressure, wind humidity data entry datas were used and by using Levenberg - Marquardt (LM) learning algorithm, the gradient - Descent (Dİ) learning algorithm and Resilient (EY) learning algorithm 36 graphics have been got and root mean square error (OKH) values have been calculated.Keywords: Wind speed prediction, Neural networks, Levenberg-Marquardt, Resilient, Gradient Descent