KIRŞEHİR’İN RÜZGAR ENERJİSİ POTANSİYELİ VE İÇ ANADOLU BÖLGESİ KURULU RÜZGAR ENERJİSİ SANTRALLERİNİN GÜÇ ANALİZİ

Müjdat Öztürk; Ramazan Kayabaşı; Oğuz Taşdemir

doi:10.17780/ksujes.1533576

EN TR

WIND ENERGY POTENTIAL OF KIRŞEHİR AND POWER ANALYSIS OF WIND ENERGY PLANTS INSTALLED IN CENTRAL ANATOLIA REGION

Abstract

Turkey's rich and diverse renewable energy potential has been rapidly utilized in recent years. Among these resources, wind energy plays a critical role in electricity generation, steadily increasing its share in installed capacity. As an environmentally friendly energy source, wind energy demonstrates high production capacity, particularly in rural areas. This study examines the wind potential and installed power plant capacities of provinces in the Central Anatolia Region, considering parameters such as population and development levels. Specifically, the Kırşehir region was analyzed, and the wind energy production capacity for 2024–2028 was estimated using an Artificial Neural Network (ANN)-based model. The analysis predicted a slight decrease of approximately 1% in wind potential for 2024, followed by an annual increase of 1% from 2025 to 2028. Compared to 2023, energy production in 2026 is projected to rise by 3.5%, with further increases anticipated in 2027 and 2028. This study provides a detailed evaluation of the wind energy potential in the Central Anatolia Region and offers energy production forecasts for the Kırşehir wind farm during 2024–2028 using an ANN-based predictive model. As a result, the study comprehensively analyzes the current capacity, potential energy production, and annual variations in the region.

Keywords

KIRŞEHİR’İN RÜZGAR ENERJİSİ POTANSİYELİ VE İÇ ANADOLU BÖLGESİ KURULU RÜZGAR ENERJİSİ SANTRALLERİNİN GÜÇ ANALİZİ

Öz

Türkiye’nin zengin ve çeşitlilik içeren yenilenebilir enerji potansiyeli, son yıllarda hızla değerlendirilmeye başlanmıştır. Özellikle rüzgar enerjisi, elektrik üretiminde önemli bir rol oynamakta ve kurulu güç içerisindeki payını sürekli artırmaktadır. Çevre dostu bir enerji kaynağı olan rüzgar enerjisi, kırsal bölgelerde de yüksek üretim kapasitesine sahiptir. Bu çalışmada, İç Anadolu Bölgesi illerinin rüzgar potansiyeli ve kurulu santral kapasiteleri; nüfus ve gelişmişlik düzeyleriyle ilişkilendirilerek incelenmiştir. Özel olarak Kırşehir bölgesi ele alınmış ve 2024-2028 yılları arasında bölgedeki rüzgar enerjisi üretim kapasitesi Yapay Sinir Ağları (YSA) tabanlı bir model ile tahmin edilmiştir. Analiz sonuçlarına göre, 2024 yılında rüzgar potansiyelinde yaklaşık %1’lik bir düşüş yaşanması öngörülmüş, ancak 2025-2028 yılları arasında her yıl %1’lik bir artış kaydedilmiştir. 2023 yılındaki üretime kıyasla, 2026 yılında tahmini enerji üretimi %3,5 oranında artış göstermiştir. Aynı şekilde, 2027 ve 2028 yıllarında da enerji üretiminde yükseliş devam etmiştir. Çalışma, İç Anadolu Bölgesi’nin rüzgar enerji potansiyelini detaylı bir şekilde değerlendirirken, Kırşehir ilinde yer alan rüzgar santrali özelinde 2024-2028 yılları arasındaki enerji üretim tahminini ortaya koymuştur. Sonuç olarak, bölgenin mevcut kapasitesi ile potansiyel enerji üretimi ve yıllara göre değişimi kapsamlı bir şekilde analiz edilmiştir.

Anahtar Kelimeler

References

Arslan, H., Baltaci, H., Akkoyunlu, B.O., Karanfil, S., & Tayanc, M. (2020). Wind speed variability and wind power potential over Turkey: Case studies for Çanakkale and İstanbul. Renewable Energy, 145, 1020-1032. https://doi.org/10.1016/j.renene.2019.06.128.
Artun, O. (2020). Determination of the suitable areas for the investment of the wind energy plants (WEP) in Osmaniye using Analytical Hierarchy Process (AHP) and Geographic Information Systems (GIS). Avrupa Bilim ve Teknoloji Dergisi, (20), 196-205. https://doi.org/10.31590/ejosat.763866
Bayrakçı, C.H., & Delikanlı, K. (2007). Türkiye'de rüzgar enerjisi ve potansiyel belirleme çalışmaları. Mühendis ve Makina Dergisi, 48(569), 78-80.
Bilal, B., Adjallah, K. H., Sava, A., Yetilmezsoy, K., & Ouassaid, M. (2023). Wind turbine output power prediction and optimization based on a novel adaptive neuro-fuzzy inference system with the moving window. Energy, 263, 126159.
Bilgili, M., Özbek, A., Sahin, B., & Kahraman, A. (2015). An overview of renewable electric power capacity and progress in new technologies in the world. Renewable and Sustainable Energy Reviews, 49, 323-334. https://doi.org/10.1016/j.rser.2015.04.148
Burton, T., Sharpe, D., Jenkins, N., & Bossanyi, E. (2001) Wind energy handbook. Baffins Lane, Chichester West Sussex PO19 1UD: John Wiley & Sons Ltd.
Çelik, E., Bal, G., Öztürk, N., Bekiroglu, E., Houssein, E. H., Ocak, C., & Sharma, G. (2024). Improving speed control characteristics of PMDC motor drives using nonlinear PI control. Neural Computing and Applications, 1-12. Enerji ve Tabii Kaynaklar Bakanlığı, www.enerji.gov.tr, Son Erişim: 15.01.2024
International Energy Agency. (2024). World Energy Outlook 2024. Paris: IEA Publications.

Irmak, E., Yeşilbudak, M., & Taşdemir, O. (2024). Enhanced PV power prediction considering PM10 parameter by hybrid JAYA-ANN Model. Electric Power Components and Systems, 1-10. https://doi.org/10.1080/15325008.2024.2322668
İlhan, A., Bilgili, M., & Şahin, B. (2020). Analyses of current wind energy status of Turkey and its future prospect. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35 (4), 1059-1072. https://doi.org/10.21605/cukurovaummfd.869175
İstanbul Teknik Üniversitesi, https://web.itu.edu.tr/~kaymak/images/windpower.html, Son Erişim: 20.01.2024
Jani, D.B., Mishra, M., & Sahoo, P.K. (2017). Application of artificial neural network for predicting performance of solid desiccant cooling systems–a review. Renew. Sustain. Energy Rev., 80, 352–366. https://doi.org/10.1016/j.rser.2017.05.169
Korkmaz, M., Öztürk, N., & Harnuboğlu, S. (2024). Kırşehir il sınırları içerisinde Rüzgâr Enerjisi Santrali (RES) kurulumu için uygun sahaların mekânsal olarak belirlenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 12(1), 463-495. https://doi.org/10.29130/dubited.1181883
Lagos, A., Caicedo, J. E., Coria, G., Quete, A. R., Martínez, M., Suvire, G., & Riquelme, J. (2022). State-of-the-Art using bibliometric analysis of Wind-Speed and-Power forecasting methods applied in power systems. Energies, 15(18), 6545.
Meteoroloji Genel Müdürlüğü, https://www.mgm.gov.tr/, Son Erişim: 20.01.2024
Özşahin, E., & Kaymaz, Ç.K. (2013). Rüzgar enerji santrallerinin yapım yeri seçimi üzerine bir CBS analizi: Hatay Örneği. Türk Bilim Dergis, 6(2), 1-18.
Siami-Irdemoosa, E., & Dindarloo, S.R. (2015). Prediction of fuel consumption of mining dump trucks: a neural networks approach. Appl. Energy, 151, 77–84. https://doi.org/10.1016/j.apenergy.2015.04.064
Smith, J. (2024). Chemical composition of air and its applications in energy engineering. Journal of Energy Engineering, 150(3), 34-45.
Sediqi, K.J. (2016). Gis-based multi-criteria approach for land-use suitability analysis of wind farms: the case study of Karaburun Peninsula, Izmir,-Turkey. MSc, Izmir Institute of Technology, İzmir.
Solar Heat Europe, https://solarheateurope.eu/2021/06/18/ieas-net-zero-by-2050-a-roadmap-for-the-global-energy-sector/iea-2050-pic-3/, Son Erişim: 20.02.2024
Uğurel, A. (2000). Rüzgar ve güneş enerjisinden elektrik üretimi ve türkiye için önemi, III. Ulusal Temiz Enerji Sempozyumu, UTES’2000, İstanbul.
Urfali, T., & Eymen, A. (2021). CBS ve AHP yöntemi yardımıyla Kayseri ili örneğinde rüzgâr enerji santrallerinin yer seçimi. Geomatik, 6(3), 227-237. https://doi.org/10.29128/geomatik.772453
Taşkın, E., Yılmaz, M., & Kılıç, Ç. (2020). Rüzgâr enerji santrallerinin ekonomik etkileri ve sosyal kabul: Mucur örneği. Coğrafi Bilimler Dergisi, 18(2), 296-319.
Türkiye Rüzgar Enerjisi Birliği, www.tureb.com.tr, Türkiye’de rüzgar enerji santralleri illere göre kurulu gücü, Türkiye Rüzgar Enerjisi İstatistik Raporu, Son Erişim: 10.02.2024
Yang, J., Cai, W., Ma, M., Li, L., Liu, C., Ma, X., & Chen, X. (2020). Driving forces of China’s CO2 emissions from energy consumption based on Kaya-LMDI methods. Science of the Total Environment, 711, 134569. https://doi.org/10.1016/j.scitotenv.2019.134569
Yıldırım, U., Gazibey, Y., & Güngör, A. (2016). Niğde ili rüzgar enerjisi potansiyeli. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 1(1), 37-47. https://doi.org/10.28948/ngumuh.239392
Wang, F., Harindintwali, J. D., Yuan, Z., Wang, M., Wang, F., Li, S., ... & Chen, J. M. (2021). Technologies and perspectives for achieving carbon neutrality. The Innovation, 2(4), 1-22. https://doi.org/10.1016/j.xinn.2021.100180

Details

Primary Language

Turkish

Subjects

Electrical Energy Generation (Incl. Renewables, Excl. Photovoltaics)

Journal Section

Research Article

Authors

Müjdat Öztürk ^*
0000-0003-1800-2234
Türkiye

Ramazan Kayabaşı
0000-0001-6195-7445
Türkiye

Oğuz Taşdemir
0000-0003-1782-0024
Türkiye

Publication Date

March 3, 2025

Submission Date

August 15, 2024

Acceptance Date

December 31, 2024

Published in Issue

Year 1970 Volume: 28 Number: 1

DOI

https://doi.org/10.17780/ksujes.1533576

IZ

https://izlik.org/JA62LL25YN

Cite

RIS / Bibtex

APA

Öztürk, M., Kayabaşı, R., & Taşdemir, O. (2025). KIRŞEHİR’İN RÜZGAR ENERJİSİ POTANSİYELİ VE İÇ ANADOLU BÖLGESİ KURULU RÜZGAR ENERJİSİ SANTRALLERİNİN GÜÇ ANALİZİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 189-201. https://doi.org/10.17780/ksujes.1533576

WIND ENERGY POTENTIAL OF KIRŞEHİR AND POWER ANALYSIS OF WIND ENERGY PLANTS INSTALLED IN CENTRAL ANATOLIA REGION

WIND ENERGY POTENTIAL OF KIRŞEHİR AND POWER ANALYSIS OF WIND ENERGY PLANTS INSTALLED IN CENTRAL ANATOLIA REGION

Abstract

Keywords

KIRŞEHİR’İN RÜZGAR ENERJİSİ POTANSİYELİ VE İÇ ANADOLU BÖLGESİ KURULU RÜZGAR ENERJİSİ SANTRALLERİNİN GÜÇ ANALİZİ

Öz

Anahtar Kelimeler

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

A New Artificial Neural Network Based Power Estimation Study for Wind Energy Systems

RÜZGÂR ENERJİSİ SANTRALİ PLANLAMASINDA CBS VE AHP KULLANIMI: AĞRI İLİ ÜZERİNE BİR DEĞERLENDİRME

A Hybrid Deep Learning Model Integrating CNN–LSTM and Metaheuristic Optimization for Seasonal Wind Power Forecasting