Research Article
BibTex RIS Cite

Year 2019, Volume: 34 Issue: 4, 2203 - 2214, 25.06.2019

Mehmet Daş Nilay Balpetek Ebru Kavak Akpınar Sinan Akpınar

https://doi.org/10.17341/gazimmfd.432590
Cited By: 3

Abstract

References

  • Sahin, A. D., A Review of Research and Development of Wind Energy in Turkey, Clean-Soil, Air, Water 36, 734-742, 2008.
  • 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.
  • 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.
  • 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.
  • Yenilenebilir Enerji Genel Müdürlüğü. Rüzğar Enerji Potansiyeli Atlası. http://www.yegm.gov.tr/. Erişim tarihi Mayıs 22, 2018.
  • Jaramillo, O. A., Borja, M. A. Wind speed analysis in La Ventosa, Mexico: a bimodal probability distribution case, Renewable Energy, 29, 1613-1630, 2004.
  • Dorvlo A. S. S. Estimating wind speed distribution, Energy Conversion and Management, 43, 2311-2318, 2002.
  • Seguro J. V. and Lambert T. W. Modern estimation of thr parametre sor the Weibull wind speed distribution for wind energy analysis. Wind Energy and Industrial Aerodynamics, 85, 75-84, 2000.
  • 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.
  • Caglar, A. Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarak İncelenmesi. Cumhuriyet Science Journal, 38(4), 156-164, 2017.
  • Akyuz, H. E., Gamgam, H. Weibull, Lognormal ve Gamma Dağılımları ile Rüzgâr Hızı Verilerinin İstatistiksel Analizi. Cumhuriyet Science Journal, 38(4), 68-76, 2017.
  • 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.
  • 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.
  • Gülersoy T. ve Çetin S. N., Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi, (13)3, 209-213, 2010.
  • 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.
  • 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.
  • Usta, I. An innovative estimation method regarding Weibull parameters for wind energy applications, Energy, 106, 301-314, 2016.
  • 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.
  • 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.
  • 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.
  • Chang T. P., Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application, Appl Energy, 88, 272-282, 2011.
  • Burges, C. J. C. A tutorial on support vector machines for pattern recognition, Data Mining Knowledge Discovery, 2(2), 121- 167, 1998.
  • Vapnik, V. N. Statistical learning theory, New York: Wiley, 1998.
  • Smola, A. J. and Schölkopf, B. A Tutorial on Support Vector Regression, Statistics and Computing, 14, 199-222, 2004.
  • Vapnik, V., The Nature of Statistical Learning Theory, Springer-Verlag, New York, 1995.
  • Cortes, C. and Vapnik, V. Support-Vector Networks. Mach. Learn. 20, 273-297, 1995.
  • Yalçın C,. Analysis of instantaneous fuel consumption in aircrafts with support vector regression, Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2016.
  • 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.
  • Turkeyforum. Türkiye il, ilçe enlem ve boylamları http://www.turkeyforum.com/satforum/archive/index.php/t-308449.html. Erişim tarihi Mayıs 22, 2018
  • Meteoroloji Genel Müdürlüğü. İl ve ilçe Hava Tahminleri. https://www.mgm.gov.tr/. Erişim tarihi Mayıs 22, 2018

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

Year 2019, Volume: 34 Issue: 4, 2203 - 2214, 25.06.2019

Mehmet Daş Nilay Balpetek Ebru Kavak Akpınar Sinan Akpınar

https://doi.org/10.17341/gazimmfd.432590
Cited By: 3

Abstract

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

Keywords

Rüzgâr enerjisi Weibull dağılımı Destek vektör makinesi Regresyon

References

  • Sahin, A. D., A Review of Research and Development of Wind Energy in Turkey, Clean-Soil, Air, Water 36, 734-742, 2008.
  • 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.
  • 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.
  • 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.
  • Yenilenebilir Enerji Genel Müdürlüğü. Rüzğar Enerji Potansiyeli Atlası. http://www.yegm.gov.tr/. Erişim tarihi Mayıs 22, 2018.
  • Jaramillo, O. A., Borja, M. A. Wind speed analysis in La Ventosa, Mexico: a bimodal probability distribution case, Renewable Energy, 29, 1613-1630, 2004.
  • Dorvlo A. S. S. Estimating wind speed distribution, Energy Conversion and Management, 43, 2311-2318, 2002.
  • Seguro J. V. and Lambert T. W. Modern estimation of thr parametre sor the Weibull wind speed distribution for wind energy analysis. Wind Energy and Industrial Aerodynamics, 85, 75-84, 2000.
  • 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.
  • Caglar, A. Antalya Bölgesi İçin Rüzgâr Karakteristiğinin Weibull Dağılımı Kullanılarak İncelenmesi. Cumhuriyet Science Journal, 38(4), 156-164, 2017.
  • Akyuz, H. E., Gamgam, H. Weibull, Lognormal ve Gamma Dağılımları ile Rüzgâr Hızı Verilerinin İstatistiksel Analizi. Cumhuriyet Science Journal, 38(4), 68-76, 2017.
  • 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.
  • 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.
  • Gülersoy T. ve Çetin S. N., Menemen bölgesinde rüzgar türbinleri için Rayleigh ve Weibull dağılımlarının kullanılması, Politeknik Dergisi, (13)3, 209-213, 2010.
  • 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.
  • 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.
  • Usta, I. An innovative estimation method regarding Weibull parameters for wind energy applications, Energy, 106, 301-314, 2016.
  • 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.
  • 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.
  • 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.
  • Chang T. P., Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application, Appl Energy, 88, 272-282, 2011.
  • Burges, C. J. C. A tutorial on support vector machines for pattern recognition, Data Mining Knowledge Discovery, 2(2), 121- 167, 1998.
  • Vapnik, V. N. Statistical learning theory, New York: Wiley, 1998.
  • Smola, A. J. and Schölkopf, B. A Tutorial on Support Vector Regression, Statistics and Computing, 14, 199-222, 2004.
  • Vapnik, V., The Nature of Statistical Learning Theory, Springer-Verlag, New York, 1995.
  • Cortes, C. and Vapnik, V. Support-Vector Networks. Mach. Learn. 20, 273-297, 1995.
  • Yalçın C,. Analysis of instantaneous fuel consumption in aircrafts with support vector regression, Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2016.
  • 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.
  • Turkeyforum. Türkiye il, ilçe enlem ve boylamları http://www.turkeyforum.com/satforum/archive/index.php/t-308449.html. Erişim tarihi Mayıs 22, 2018
  • Meteoroloji Genel Müdürlüğü. İl ve ilçe Hava Tahminleri. https://www.mgm.gov.tr/. Erişim tarihi Mayıs 22, 2018
There are 30 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler
Authors

Mehmet Daş 0000-0002-4143-9226

Nilay Balpetek This is me 0000-0002-4143-9226

Ebru Kavak Akpınar 0000-0002-4143-9226

Sinan Akpınar 0000-0002-4143-9226

Publication Date June 25, 2019
Submission Date June 10, 2018
Acceptance Date May 18, 2019
Published in Issue Year 2019 Volume: 34 Issue: 4

Cite

APA Daş, M., Balpetek, N., Kavak Akpınar, E., Akpınar, 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), 2203-2214. https://doi.org/10.17341/gazimmfd.432590
AMA Daş M, Balpetek N, Kavak Akpınar E, Akpınar S. Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. GUMMFD. June 2019;34(4):2203-2214. doi:10.17341/gazimmfd.432590
Chicago Daş, Mehmet, Nilay Balpetek, Ebru Kavak Akpınar, and Sinan Akpınar. “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 (June 2019): 2203-14. https://doi.org/10.17341/gazimmfd.432590.
EndNote Daş M, Balpetek N, Kavak Akpınar E, Akpınar S (June 1, 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 2203–2214.
IEEE M. Daş, N. Balpetek, E. Kavak Akpınar, and S. Akpınar, “Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması”, GUMMFD, vol. 34, no. 4, pp. 2203–2214, 2019, doi: 10.17341/gazimmfd.432590.
ISNAD Daş, Mehmet et al. “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 (June 2019), 2203-2214. https://doi.org/10.17341/gazimmfd.432590.
JAMA Daş M, Balpetek N, Kavak Akpınar E, Akpınar S. Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. GUMMFD. 2019;34:2203–2214.
MLA Daş, Mehmet et al. “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, pp. 2203-14, doi:10.17341/gazimmfd.432590.
Vancouver Daş M, Balpetek N, Kavak Akpınar E, Akpınar S. Türkiye’de bulunan farklı illerin rüzgâr enerjisi potansiyelinin incelenmesi ve sonuçların destek vektör makinesi regresyon ile tahminsel modelinin oluşturulması. GUMMFD. 2019;34(4):2203-14.

Cited By

Effects of Different Turbulators on Heat Transfer in Smoke Tube Boilers and Modeling of These Effects with Machine Learning Algorithms
Journal of the Institute of Science and Technology
Aydın ÇITLAK
https://doi.org/10.21597/jist.803291
Modelling Wind Energy Potential in Different Regions with Different Methods
GAZI UNIVERSITY JOURNAL OF SCIENCE
Mehmet DAŞ
https://doi.org/10.35378/gujs.795265
Investigation of Mass Transfer with Different Models in a Solar Energy Food-Drying System
Energies
Ahmet Beyzade Demirpolat
https://doi.org/10.3390/en12183447