Research Article
BibTex RIS Cite

NEHİR TİPİ SANTRALLERDEKİ IZGARA KİRLİLİK ORANLARININ MAKİNE ÖĞRENME YÖNTEMLERİ İLE TAHMİNİ

Year 2025, Volume: 28 Issue: 2, 613 - 629, 03.06.2025

Kağan Konu , Osman Bilgin , Hakan Açıkgöz

https://doi.org/10.17780/ksujes.1570840

Abstract

Izgara kirlilik değeri farklı konumlara yerleştirilen sensörlerin ölçtüğü basınç değerlerinden elde edilmektedir. Sensörlerin kalibrasyonunun bozulması veya çevresel faktörlerle hatalı ölçümler yapılması ünitelerin verimsiz ve sağlıksız çalışmalarına neden olmaktadır. Bu çalışmada, ilk olarak Karkamış hidroelektrik santralinin SCADA sisteminden alınan örneklerden oluşan bir veri seti toplanmıştır. Bu veri seti sensörlerden alınan debi, güç, düşü ve ızgara kirliliğine ait ölçümlerden oluşmaktadır. Izgara kirlilik tahminini gerçekleştirmek için toplanan veri seti eğitim, doğrulama ve test alt setlerine ayrılmıştır. Eğitim verileri ile makine öğrenme yöntemleri için eğitim çalışması gerçekleştirilmiştir. Daha sonra ise ızgara kirlilik tahmini için makine öğrenme yöntemlerinin performansları test veri seti üzerinde farklı ünitelerde karşılaştırılmıştır. Gerçekleştirilen çalışmalardan, ince ağaç modeli ile en iyi korelasyon katsayısı (R) değerlerini ünite-1 için 0.9833, ünite-2 için 0.9716, ünite-4 için 0.9792 ve ünite-5 içinde 0.9810 ile sağlamıştır. Elde edilen sonuçlardan makine öğrenme yöntemleri ile ızgara kirlilik tahminin etkin bir şekilde yapılabileceği açıkça gözlemlenmiştir.

Keywords

Izgara kirlilik tahmini Makine öğrenmesi Karar ağaçları Destek vektör makineleri

References

  • Acar, G. (2022). Zaman serisi yöntemleri ve xgboost algoritması ile kömür satış tahmini: türkiye tarım kredi kooperatifleri uygulaması.Yüksek Lisans Tezi. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Bilişim Sistemleri Mühendisliği Ana Bilim Dalı, Sakarya 72s.
  • Alatas, M.,Susilowati E.,Theresia M., Budiastuti S., Gunawan T., Setyono P. (2022). Horizontal Trash Rack Diverter Trash (HTDT) to Minimize Trash Clogging at the Intake of Micro-Hydro Power Plant. International Journalof Sustainable Developmentand Planning, Vol.17,No.6,October.1713-1720. https://doi.org/10.18280/ijsdp.170604
  • Artuğer, F & Özkaynak, F (2022). Görüntü Sıkıştırma Algoritmalarının Performans Analizi İçin Değerlendirme Rehberi.Munzur Üniversitesi Dergisi, 8(1).102-110. https://doi.org/10.29132/ijpas.1012013
  • Alpaydin, E. (2014). Introduction to machine learning . The MIT press. (4th ed.)
  • Arı, A & Önder, H. (2013). Farklı Veri Yapılarında Kullanılabilecek Regrasyon Yöntemleri. Anadolu Tarım Bilim Dergisi, 28 (3), 168-174. https://doi.org/10.7161/anajas.2013.28.3.168
  • Bragalli C. , Micocci D. , Naldi G. (2023).On the influence of net head and efficiency fluctuations over the performance of existing run-of-river hydropower plants, Volume 206, April 2023. 1170-1179.
  • Başeşme, Hidayet (2003). Hidroelektrik santrallar ve hidroelektrik santral esisleri, EÜAŞ Genel Müdürlüğü Hidrolik Santraller Dairesi Başkanlığı.
  • Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., Keçecioğlu, Ö. F. (2021). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, 11(22), 37-45.
  • Coşkun, O & Doğanay,H (2020). Enerji kaynakları. İstanbul: Pegem Akademi.
  • Daş, M., Balpetek, N., Kavak Akpınar, E., & Akpınar, S. (2019). 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. Journal of the Faculty of Engineering and Architecture of Gazi University. 34(4). 2203-2212. https://doi.org/10.17341/gazimmfd.432590
  • Daş, B & Türkoğlu İ. (2014 Kasım). DNA dizilimlerinin sınıflandırılmasında karar ağacı algoritmalarının karşılaştırılması, Eleco 2014 Elektrik- Elektronik Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu.
  • Diniz, A.L, Esteves P. P. and Sagastizabal C. A. (2007). "A Mathematical Model for the Efficiency Curves of Hydroelectric units," 2007 IEEE Power Engineering Society General Meeting, Tampa, FL, USA. 1-7.
  • Emeç, Ş., Adar, T., Akkaya, G. & Delice, E. K. (2019). Efficiency Assessment of Hydroelectric Power Plant in Turkey by Data Envelopment Analysis (DEA). Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 34-45. https://doi.org/10.31590/ejosat.594716
  • EÜAŞ (2024). Karkamış HES. (Erişim Tarihi:18.12.2023) https://www.euas.gov.tr/en-US/power-plants/karkamis-hepp
  • Gacar, Kocarık, B. (2023). Fonksiyonel veri analizinin karar ağaçlarında kullanımı. Doktora Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri Anabilim Dalı. İzmir 186s.
  • Hribernik, A. (2020).Evaluation of Clogged Hydropower Plant Trash Rack Losses. Journal of Mechanical Engineering. 66(2020)2,142-152 http://doi.org/10.5545/sv-jme.2019.6313.
  • Hammid, A. T, Sulaiman, M. H.,Abdalla, A. N., (2017). Prediction of Small Hydropower Plant Power Production in Himreen Lake dam (HLD) using artificial neural network, Alexandria Engineering Journal, 57 (1). https://doi.org/10.1016/j.aej.2016.12.011
  • İnallı, K., Işık, E. & Dağtekin, İ. (2014). Karakaya HES’de verim ve üretim parametrelerinin yapay sinir ağı ile tahmini. Dicle Üniversitesi Mühendislik Dergisi. 5(1),59-68.
  • Koç, E., Şenel, M. C.(2013). Dünyada ve Türkiye’de Enerji Durumu - Genel Değerlendirme. Mühendis ve rea, 54(639), 32-44.
  • Kingsford, C., & Salzberg, S. L. (2008). What are decision trees?. Nature biotechnology. 26(9).1011-1013 Karakuş,C.(2001). MakineÖğrenmesiAlgoritmalarıhttps://ckk.com.tr/ders/ML/ML%2001%20Makine%20%C3%96%C4%9Frenmesi%20Algoritmalar%C4%B1.pdf
  • Makas, Y & Karaatlı, M. (2016).Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(3).757-772.
  • Metlek, S & Kayalp, K. (2020). Makine Öğrenmesinde Teoriden Örnek Matlab Uygulamalarına Kadar Destek Vektör Makineleri, Ankara: İksad Yayınları.
  • Özbektaş, S., Şenel M.C., Sungur B. (2023). Dünya’da ve Türkiye’de Yenilenebilir Enerji Durumu ve Kurulum Maliyetleri, Mühendis ve Makina/ Engineer and Machinery, 64(711),317-351.
  • Pamir, N. (2017). Enerjinin iktidarı. İstanbul: Hayy Kitap Yayınları
  • Ray, S. (2019, February). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon). 35-39).
  • T.C. Enerji ve Tabii Kaynaklar Bakanlığı (2024). https://enerji.gov.tr/bilgi-merkezi-enerji-elektrik/ Erişim Tarihi 18.03.2024.
  • Walczak, N& Walczak, Z& Niec J. (2020), Assesment of the Resistance Value of Trash Racks at a Small Hydropower plant operating at low temperature energies. Energies 2020, 13(7),1775 https://doi. org/10.3390/en13071775
  • Yoldaş, Y.B. (2023). Fotovoltaik güç santrali ile desteklenen güç sisteminde zayıf kaynak besleme koşullarında destek vektör makinalarıyla mesafe korumanın geliştirilmesi.Yüksek Lisans Tezi.Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Mühendisliği Ana Bilim Dalı, İstanbul 105s.
  • Zilyas, D. & Yılmaz, A. (2023). Makine Öğrenmesi Yöntemleri ile Eğitim Başarısının Tahmini Modeli. Dicle University Journal of Engineering Dergisi, 14 (3), 437-447. https://doi.org/10.24012/dumf.1322273

PREDICTION OF GRID POLLUTION RATES IN RIVER-TYPE POWER PLANTS USING MACHINE LEARNING METHODS

Year 2025, Volume: 28 Issue: 2, 613 - 629, 03.06.2025

Kağan Konu , Osman Bilgin , Hakan Açıkgöz

https://doi.org/10.17780/ksujes.1570840

Abstract

The grid pollution value is obtained from the pressure values measured by sensors placed at different locations. Deterioration of the calibration of the sensors or incorrect measurements due to environmental factors cause the units to operate inefficiently and unhealthily. In this study, firstly, a dataset consisting of samples taken from the SCADA system of Karkamış hydroelectric power plant are collected. This dataset consists of flow, power, head and grid pollution measurements taken from the sensors. The collected dataset is divided into training, validation and test subsets to perform grid pollution prediction. Training study is realized for machine learning methods with training data. Then, the performances of machine learning methods for grid pollution prediction are compared on different units on the testing dataset. From the studies, the best correlation coefficient (R) values are provided with the thin tree model as 0.9833 for unit-1, 0.9716 for unit-2, 0.9792 for unit-4 and 0.9810 for unit-5. It is clearly observed from the obtained results that grid pollution prediction can be done effectively with machine learning methods.

Keywords

Grid pollution prediction machine learning decision trees support vector machines

References

  • Acar, G. (2022). Zaman serisi yöntemleri ve xgboost algoritması ile kömür satış tahmini: türkiye tarım kredi kooperatifleri uygulaması.Yüksek Lisans Tezi. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Bilişim Sistemleri Mühendisliği Ana Bilim Dalı, Sakarya 72s.
  • Alatas, M.,Susilowati E.,Theresia M., Budiastuti S., Gunawan T., Setyono P. (2022). Horizontal Trash Rack Diverter Trash (HTDT) to Minimize Trash Clogging at the Intake of Micro-Hydro Power Plant. International Journalof Sustainable Developmentand Planning, Vol.17,No.6,October.1713-1720. https://doi.org/10.18280/ijsdp.170604
  • Artuğer, F & Özkaynak, F (2022). Görüntü Sıkıştırma Algoritmalarının Performans Analizi İçin Değerlendirme Rehberi.Munzur Üniversitesi Dergisi, 8(1).102-110. https://doi.org/10.29132/ijpas.1012013
  • Alpaydin, E. (2014). Introduction to machine learning . The MIT press. (4th ed.)
  • Arı, A & Önder, H. (2013). Farklı Veri Yapılarında Kullanılabilecek Regrasyon Yöntemleri. Anadolu Tarım Bilim Dergisi, 28 (3), 168-174. https://doi.org/10.7161/anajas.2013.28.3.168
  • Bragalli C. , Micocci D. , Naldi G. (2023).On the influence of net head and efficiency fluctuations over the performance of existing run-of-river hydropower plants, Volume 206, April 2023. 1170-1179.
  • Başeşme, Hidayet (2003). Hidroelektrik santrallar ve hidroelektrik santral esisleri, EÜAŞ Genel Müdürlüğü Hidrolik Santraller Dairesi Başkanlığı.
  • Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., Keçecioğlu, Ö. F. (2021). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, 11(22), 37-45.
  • Coşkun, O & Doğanay,H (2020). Enerji kaynakları. İstanbul: Pegem Akademi.
  • Daş, M., Balpetek, N., Kavak Akpınar, E., & Akpınar, S. (2019). 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. Journal of the Faculty of Engineering and Architecture of Gazi University. 34(4). 2203-2212. https://doi.org/10.17341/gazimmfd.432590
  • Daş, B & Türkoğlu İ. (2014 Kasım). DNA dizilimlerinin sınıflandırılmasında karar ağacı algoritmalarının karşılaştırılması, Eleco 2014 Elektrik- Elektronik Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu.
  • Diniz, A.L, Esteves P. P. and Sagastizabal C. A. (2007). "A Mathematical Model for the Efficiency Curves of Hydroelectric units," 2007 IEEE Power Engineering Society General Meeting, Tampa, FL, USA. 1-7.
  • Emeç, Ş., Adar, T., Akkaya, G. & Delice, E. K. (2019). Efficiency Assessment of Hydroelectric Power Plant in Turkey by Data Envelopment Analysis (DEA). Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 34-45. https://doi.org/10.31590/ejosat.594716
  • EÜAŞ (2024). Karkamış HES. (Erişim Tarihi:18.12.2023) https://www.euas.gov.tr/en-US/power-plants/karkamis-hepp
  • Gacar, Kocarık, B. (2023). Fonksiyonel veri analizinin karar ağaçlarında kullanımı. Doktora Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri Anabilim Dalı. İzmir 186s.
  • Hribernik, A. (2020).Evaluation of Clogged Hydropower Plant Trash Rack Losses. Journal of Mechanical Engineering. 66(2020)2,142-152 http://doi.org/10.5545/sv-jme.2019.6313.
  • Hammid, A. T, Sulaiman, M. H.,Abdalla, A. N., (2017). Prediction of Small Hydropower Plant Power Production in Himreen Lake dam (HLD) using artificial neural network, Alexandria Engineering Journal, 57 (1). https://doi.org/10.1016/j.aej.2016.12.011
  • İnallı, K., Işık, E. & Dağtekin, İ. (2014). Karakaya HES’de verim ve üretim parametrelerinin yapay sinir ağı ile tahmini. Dicle Üniversitesi Mühendislik Dergisi. 5(1),59-68.
  • Koç, E., Şenel, M. C.(2013). Dünyada ve Türkiye’de Enerji Durumu - Genel Değerlendirme. Mühendis ve rea, 54(639), 32-44.
  • Kingsford, C., & Salzberg, S. L. (2008). What are decision trees?. Nature biotechnology. 26(9).1011-1013 Karakuş,C.(2001). MakineÖğrenmesiAlgoritmalarıhttps://ckk.com.tr/ders/ML/ML%2001%20Makine%20%C3%96%C4%9Frenmesi%20Algoritmalar%C4%B1.pdf
  • Makas, Y & Karaatlı, M. (2016).Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(3).757-772.
  • Metlek, S & Kayalp, K. (2020). Makine Öğrenmesinde Teoriden Örnek Matlab Uygulamalarına Kadar Destek Vektör Makineleri, Ankara: İksad Yayınları.
  • Özbektaş, S., Şenel M.C., Sungur B. (2023). Dünya’da ve Türkiye’de Yenilenebilir Enerji Durumu ve Kurulum Maliyetleri, Mühendis ve Makina/ Engineer and Machinery, 64(711),317-351.
  • Pamir, N. (2017). Enerjinin iktidarı. İstanbul: Hayy Kitap Yayınları
  • Ray, S. (2019, February). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon). 35-39).
  • T.C. Enerji ve Tabii Kaynaklar Bakanlığı (2024). https://enerji.gov.tr/bilgi-merkezi-enerji-elektrik/ Erişim Tarihi 18.03.2024.
  • Walczak, N& Walczak, Z& Niec J. (2020), Assesment of the Resistance Value of Trash Racks at a Small Hydropower plant operating at low temperature energies. Energies 2020, 13(7),1775 https://doi. org/10.3390/en13071775
  • Yoldaş, Y.B. (2023). Fotovoltaik güç santrali ile desteklenen güç sisteminde zayıf kaynak besleme koşullarında destek vektör makinalarıyla mesafe korumanın geliştirilmesi.Yüksek Lisans Tezi.Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Mühendisliği Ana Bilim Dalı, İstanbul 105s.
  • Zilyas, D. & Yılmaz, A. (2023). Makine Öğrenmesi Yöntemleri ile Eğitim Başarısının Tahmini Modeli. Dicle University Journal of Engineering Dergisi, 14 (3), 437-447. https://doi.org/10.24012/dumf.1322273
There are 29 citations in total.

Details

Primary Language Turkish
Subjects Electrical Energy Generation (Incl. Renewables, Excl. Photovoltaics)
Journal Section Electrical and Electronics Engineering
Authors

Kağan Konu 0009-0002-6466-0799

Osman Bilgin 0000-0002-4576-0113

Hakan Açıkgöz 0000-0002-6432-7243

Publication Date June 3, 2025
Submission Date October 20, 2024
Acceptance Date January 17, 2025
Published in Issue Year 2025Volume: 28 Issue: 2

Cite

APA Konu, K., Bilgin, O., & Açıkgöz, H. (2025). NEHİR TİPİ SANTRALLERDEKİ IZGARA KİRLİLİK ORANLARININ MAKİNE ÖĞRENME YÖNTEMLERİ İLE TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(2), 613-629. https://doi.org/10.17780/ksujes.1570840
 Download Cover Image