Pamukkale niversitesi Mhendislik Bilimleri Dergisi, Cilt 20, Say 5, 2014, Sayfalar 162-165

Pamukkale niversitesi Mhendislik Bilimleri Dergisi

Pamukkale University Journal of Engineering Sciences

162

AKHSAR BLGES N ORTALAMA RZGAR HIZLARINA BALI RZGAR ESME SRELERNN YAPAY SNR ALARI LE TAHMN

NEURAL PREDICTION OF WIND BLOWING DURATIONS BASED ON AVERAGE WIND SPEEDS FOR AKHISAR LOCATION

Rait ATA1

1Elektrik-Elektronik Mhendislii Blm, Mhendislik Fakltesi, Celal Bayar niversitesi, 45140, Manisa. rasitata@hotmail.com

Geli Tarihi/Received: 24.12.2012, Kabul Tarihi/Accepted: 01.06.2013 doi: 10.5505/pajes.2014.85047

zet Abstract

Gnmzde enerjinin temiz, yerli ve yenilenebilir olmas sadece lkemizde deil tm dnya lkelerinde ounlukla kabul grmektedir. Alternatif ve temiz olan bu enerji kaynaklarndan biri ve en nemlisi de rzgar enerjisidir. Atmosferi kirleten fosil yaktlarla karlatrldnda rzgar enerjisini elektrik enerjisine dntren sistemlerin hzl bir ekilde gelitii ve kullanld grlmektedir. Rzgar trbinlerinden elde edilen elektrik enerjisi birka faktre bal olarak deiir. Bu faktrlerden ikisi ortalama rzgar hz ve rzgar esme sreleridir. Bu almada, Akhisar blgesi iin yllk ortalama rzgar hz, Hellmann katsays, kule ykseklii gibi parametrelere bal rzgar esme sreleri Yapay Sinir Alar (YSA) ile analiz edilmektedir. Rzgar esme sreleri analizinde Rayleigh dalmnn kullanld geleneksel yntem(GY) ile YSAnn karlatrlmas yaplmaktadr.

Renewable energy resources are widely preferred over conventional resources as they are environmentally favorable. Wind energy is one of the important renewable energy resources and has been widely developed recently. The energy produced from wind is dependent upon several factors. One of them is average wind speed and the other is wind blowing period. In this study, the wind blowing period is estimated based on annual average wind speed, Hellman coefficient and tower height using artificial neural networks (ANN). The results of ANN are compared with a conventional method in which Rayleigh distribution is employed.

Anahtar kelimeler: Rzgar enerjisi, Rzgar esme sresi, Hellmann katsays, Yapay sinir alar.

Keywords: Wind energy, Wind blowing time, Hellmann coefficient, Artificial neural networks.

1 Giri

Rzgar enerjisi, elektrik retiminde kullanlan yenilenebilir enerji kaynaklar ierisinde phesiz en temiz ve en ekonomik formlardan biridir. Rzgar enerjisi kullanarak elektrik retmek, evresel, sosyal ve ekonomik adan avantajlar salamaktadr [1]. Bu avantajlarndan dolay zellikle son on yl ierisinde kurulu g asndan en hzl gelien enerji kaynadr.

Trkiyenin son yllardaki hzl ekonomik bymesi ve sanayilemesine paralel olarak enerjiye olan gereksinimi artmakta olup, gelecek yirmi ylda retimin tketimi karlayamayaca dnlmektedir. Buna karlk var olan enerji retimimizin byk bir blm da baml olup, fosil yaktlardan salanmaktadr. Bu nedenle potansiyel olarak olduka iyi durumda olduumuz yeni ve zellikle yenilenebilir enerji kaynaklarnn kullanm kanlmaz olmutur [2, 3].

Bir rzgar enerjisi dnm sisteminden enerji elde etme, enerji dnm sisteminin performans zellikleri ve iletme koullarna baldr. Rzgarn kararsz yapsndan dolay, rzgar hz ve g k verilerinden rzgar dnm sisteminin geici tepkisini belirlemek ve bir model gelitirmek mmkn deildir. Bu nedenle rzgar enerji retimi, rzgar enerjisi dnm sisteminin performans zellikleri mevcut olsa bile blgenin rzgar zellikleriyle yakndan ilgili olacaktr [4].

Bir rzgar trbini tarafndan retilen enerji, rzgar hz, rzgar trbini kule ykseklii ve rzgar esme sreleri gibi

parametrelere baldr. Bu almada, Akhisar blgesi iin yllk ortalama rzgar hz, Hellmann katsays, lm blgesinin istenen ykseklii gibi parametrelere bal rzgar esme sreleri Yapay Sinir Alar (YSA) ile analiz edilmektedir. Analizler yaygn olarak 10-30 m yksekliklerde llm olan ortalama rzgar hzlar gz nne alnarak yaplmaktadr. Bu almada kullanlan YSA algoritmasyla drt giri parametresi kullanlarak rzgar esme sreleri tahmin edilmektedir. YSA dier bilim dallarnda olduu gibi yenilenebilir enerji sistemlerinde de kullanlmaktadr. [5]te genel olarak enerji sistemlerindeki YSA uygulamalarnn ve [6]da ise zellikle yenilenebilir enerji sistemlerindeki YSA uygulamalarnn ayrntl bir deerlendirilmesi verilmektedir. Kalogirou [6], gne su stma sistemleri, fotovoltaik sistemler, rzgar enerji sistemleri gibi yenilenebilir enerji sistemlerini ele almaktadr. [7-9]da ksa sreli rzgar hz tahmini ele alnmaktadr. YSAy da ieren hibrit bir modelleme yaplarak rzgar hz tahmini gerekletirilen almalar da mevcuttur [10-13]. Farkl algoritmalar kullanlarak gerekletirilen rzgar hz tahminiyle[14-20] ilgili olarak da birok YSA uygulamas vardr.

2 Yapay Sinir Alar

YSAnn pratik kullanm genelde ok farkl yapda ve formlarda bulunabilen informasyon verilerini hzl bir ekilde tanmlama ve alglama zerinedir. Aslnda mhendislik uygulamalarnda YSAnn geni apl kullanmnn en nemli nedeni, klasik tekniklerle zm zor problemler iin etkin bir alternatif

R. Ata

Pamukkale niversitesi Mhendislik Bilimleri Dergisi, Cilt 20, Say 5, 2014, Sayfalar 162-165

163

oluturmasdr. YSA bugn fizik, matematik, elektrik ve bilgisayar mhendislii gibi ok farkl bilim dallarnda aratrma konusu haline gelmitir.

YSAnn giri-k byklkleri arasndaki banty bulma zorunluluundan bamsz olmas ve etkinlii, ok ksa zaman diliminde sonulara yaklamas dier yaklam metotlarna gre onu bir tercih sebebi haline getirmitir.

Gnmzde birok alanda uygulamalar hzla gelimekte olan YSAnn en nemli modellerinden biri ok-katmanl ileri besleme alardr. YSA konusunda yaplan her bir alma kendine zg a yapsna ve eitme algoritmasna sahiptir. Bu almada ekil 1de grld gibi katmanl ileri besleme YSA modeli kullanlrken, eitme iin ise hatann geriye yaylm algoritmas kullanlmtr.

ekil 1: katmanl bir YSA modeli.

ekil 1deki YSA modelinin ni giri dmne, nh gizli dmne ve no k dmne sahip olduunu varsayalm. Eer minci katmandaki jinci dmn k

ve (m-1)inci

katmandaki iinci dmden minci katmandaki jinci dme balant arl

ise bu durumda,

O f W xO mjm ijm imi

1 2,

(1)

yazlabilir. Burada f(.) fonksiyonu olarak denklem (2)de tanmland gibi sigmoid fonksiyon kullanlr.

f(x) 1 1 e x (2)

Bu fonksiyon klarn 0 ve 1 aralnda snrlar. Bundan

dolay YSA k deerleri 0 ve 1 aralnda normalizasyona tabi tutulur. Ayrca f(.) fonksiyonu uygulanmadan nce denklem (1)deki toplam terime bir eik deeri ekleyerek f(.) fonksiyonunu x ekseni boyunca deitirmek mmkndr 21.

Bir pinci deer iin ortalama karesel hata (MSE) fonksiyonu u ekilde tanmlanr;

0n

1j

2m

pjpjp )o(t2

1E (3)

Burada, , jinci k dmnn gerek k deeri ve

ise bu dmn belirli bir hata pay ile simlasyon sonucu

elde edilen k deeridir. Burada ama uygun arlk ve eik deerleri seerek ortalama karesel hatay yeterince minimum yapmaktr 22.

3 Problemin Tasarm

Blgenin rzgar enerjisi potansiyeli Rayleigh dalmlarna gre incelenir. Rzgar enerjisi analizi iin Rayleigh dalmnn

geerlilii uzun sreli rzgar verileri kullanlarak aratrlmasna dayanr. Rayleigh dalmnn en byk avantaj sadece ortalama rzgar hz ile dalmn belirlenmesidir. Rayleigh dalmnn rzgar almalarnda geerlilii pek ok referansta gsterilmitir[23-28]. Rayleigh dalmnn olaslk younluk fonksiyonu aadaki gibi basitletirilebilir [29];

(4)

Burada; Vr rzgar hz (m/s) ve Vort. lm blgesindeki yllk ortalama rzgar hzdr (m/s). Dier yandan yllk rzgar esme sreleri saat olarak aadaki denklemle elde edilir.

rr Vfh 8760 (5)

Akhisar iin 10 m ykseklie ait aylk ortalama rzgar hz verileri ekil 2de verilmektedir. lm blgesinde istenen ykseklik ve yllk ortalama rzgar hz verileri gz nne alnarak herhangi bir ykseklikteki rzgar hznn saatlik esme sreleri YSA ile aadaki gibi yeniden ifade edilebilir.

,,,. rortr VHVfh (6)

Burada; H lm blgesindeki istenen ykseklik ve Hellmann katsaysdr. lm blgesi karakteristiklerine gre Hellmann katsaysnn deiimi Tablo 1de verilmektedir.

ekil 2: Akhisar iin 10 m. ykseklie ait ortalama aylk rzgar

hz verileri (1994-2004 yllar arasnda)[30].

Tablo 1: lm blgesi karakteristiklerine gre Hellmann katsaysnn deiimi.

lm Blgesinin zellikleri Hellmann Katsays() Ak denizlerde 0.14 Ak alanlar ve tarlalar Ormanlar ve ehirler Yksek binal ehirler

0.18 0.28 0.40

Denklem (6) da grld gibi herhangi bir ykseklikteki rzgar hznn saatlik esme srelerini belirlemek iin etkili bir prosedre ihtiya vardr. lm blgesindeki yllk ortalama rzgar hz ve farkl yksekliklerde rzgar hznn saatlik esme srelerini tahmin etmek iin bir YSA modeli tasarlanr. Dikkate alnan farkl ykseklikler 10 m, 15 m, 20 m, 25 m ve 30 mdir. Bu yksekliklere ait geleneksel yntemle (GY) hesaplanan ve llen baz rnek veriler Tablo 2de verilmektedir. YSA giri deikenleri denklem (6) da belirtildii gibi alnmtr. Buna gre, giri parametreleri aadaki gibi ifade edilir;

,,,)( . rort VHVtx (7)

Dier yandan YSA k deikeni ise;

rhty )( (8)

eklindedir. Burada; rh herhangi bir ykseklikteki rzgar

hznn saatlik esme sresidir. Farkl giri deerlerinden k deerini elde etmek iin bir YSA topolojisi oluturulur. Bu ilemi gerekletirmek iin normalize edilmi eitme verilerine ihtiya duyulur. YSA eitme ileminde btn giri ve k deikenleri iin 90 tane eitme verisi kullanld. Bu eitme

2

.

2

.4

exp.2

)(ort

r

ort

r

rV

V

V

VVf

R. Ata

Pamukkale niversitesi Mhendislik Bilimleri Dergisi, Cilt 20, Say 5, 2014, Sayfalar 162-165

164

verilerine ilikin baz rnek veriler Tablo 2de verilmektedir. Analiz yaplan blge Akhisar-Krkaa hattn iine alacak ekilde ku uuu yaklak 20 kmyi bulan bir alan iermektedir. Verilerin bir ksm bu alanda kurulu 1 adet 3 kW gcnde trbin, 1 adet kontrol nitesi, 24 adet 2 V 200 Ah sabit sistem aks, 1 adet 48 V/220 V, 50 Hz, 3 kVA tam sins inverterden oluan kurulu sistemden elde edilmektedir. Kurulu olan rzgar trbini; deiken hzl, kanatl olup kule ykseklii 15 metredir. Elektrik enerjisi eldesi, Daimi mknatsl senkron makine aracl ile salanmaktadr. ekil 3te kurulu sistem grlmektedir. Dier ksm da Elektrik leri Ett daresi (EE)nin lm verilerinden elde edilmektedir. Kurulu sistemler ak alanda bulunduu iin Hellmann ykseltme katsays () ise allan lokasyon artlarnda 0.18 olarak alnmaktadr. Tasarlanan YSAnn farkl lokasyonlarda kullanlmas durumunda Hellmann katsays deiecei iin burada giri parametresi olarak dikkate alnmtr. Eitme ileminin performans, eitme hatasnn minimize olup olmamasna gre llr. Eitme ileminde geri-yaylm (back-propagation) algoritmas kullanlmtr. Eitme hata orannn gizli katmandaki dm saysna gre deiimi ekil 4de ve iterasyon saysna gre deiimi ise ekil 5de grlmektedir.

Tablo 2: rnek eitme verileri.

Rzgar Hz Vr (m/s)

Kule Ykseklii

H(m)

Esme Sreleri hr (saat)

Yllk Ort. Rzgar Hz

Vort.(m/s)

3 10 826,81 6,497 4 10 967,85 6,497

5 10 1023,37 6,497

7 10 916,90 6,497 8 10 792,80 6,497

9 10 650,15 6,497

11 10 377,66 6,497 12 10 268,61 6,497

13 10 182,80 6,497

3 15 716 7,074 4 15 855 7,074

5 15 928 7,074

6 15 937 7,074 7 15 1479 7,074

9 15 694 7,074

10 15 572 7,074 11 15 453 7,074

12 15 344 7,074

3 20 644,66 7,515 4 20 779,86 7,515

5 20 860,20 7,515

6 20 885,88 7,515 8 20 800,36 7,515

9 20 710,91 7,515

10 20 606,56 7,515 12 20 394,86 7,515

13 20 302,20 7,515

3 30 554,59 8,182 4 30 681,18 8,182

6 30 808,17 8,182

7 30 809,55 8,182 8 30 775,98 8,182

10 30 635,96 8,182

11 30 546,86 8,182 13 30 368,11 8,182

Test ilemi 11 farkl eitme rnei (eitme ileminde kullanlmayan) kullanlarak gerekletirildi. Buradan elde edilen klar Tablo 3te grlmektedir. Tablo 3te grld gibi YSAnn performans olduka uygundur. nk GY ile elde edilen sonulardan kk sapmalar sz konusudur.

Model performansn deerlendirmek iin ortalama yzde hatay veren denklem (9) kullanlr. Sunulan YSA modelinden elde edilen sonulardan performans hesaplanr.

ekil 3. Kurulu rzgar trbini ve kontrol nitesi.

ekil 4: Gizli katmandaki dm saysnn eitme hatasna

etkisi.

ekil 5: Eitme hatasnn iterasyon saysna gre deiimi.

Test verileri iin ortalama yzde hata deeri yle bulunur;

j j

jjx

t

ot

pe 100

1%

(9)

Burada; t hedef deeri, o k deerini ve p veri saysn gstermektedir. Tablo 3e gre, elde edilen test verileri iin ortalama yzde hata deerleri %-4.1 ve %3.4 aralnda deimektedir.

Tablo 3: YSA ve KM ile elde edilen rzgar esme srelerinin karlatrlmas.

R. Ata

Pamukkale niversitesi Mhendislik Bilimleri Dergisi, Cilt 20, Say 5, 2014, Sayfalar 162-165

165

4 SONULAR

Rzgar trbini kurulumunda kullanlan baz parametreler arasnda kompleks bir iliki vardr. lm blgesi rzgar hz, kule ykseklii, rzgar hznn saatlik esme sreleri ve Hellman katsays gibi parametreler rzgar trbini kurulumunda deerlendirilmeye ihtiya duyarlar. Btn parametreleri ayr olarak deerlendirmek imkansz olduundan bunlar birlikte deerlendirebilecek anlalabilir bir algoritmaya gerek duyulur. Bu alma, aralarndaki bu karmak ilikiyi kavramak iin bir YSA algoritmas sunmaktadr.

GY ile elde edilen sonular YSA metoduyla elde edilen sonularla karlatrld. Tablo 3te grld gibi elde edilen test verileri iin ortalama yzde hata deerleri %-4.1ve %3.4 aralnda deimektedir. terasyon says 50.000 iken test rneklerinin hedef deerlere ulamadaki baars yaklak olarak %100dr. Dier bir ifadeyle, YSA k parametresi bu iterasyonda %0.45 hata ile elde edilmitir. YSAnn genelletirme ve paralel bilgi ileme yeteneinden dolay ok katmanl a k dm saysn olduka iyi bir oranda tanmayla gerekletirmitir. Bu model enerji planlama ve gelecekteki rzgar trbini planlamalar iin faydal olacaktr.

5 SEMBOLLER

Vr = Rzgar hz,

Vort. = Yllk ortalama rzgar hz,

= Hellmann ykseltme katsays,

hr = Rzgar esme sresi,

H = Ykseklik.

6 KAYNAKLAR

[1] Monfared, M., Rastegar H., Kojabadi H. M., A new strategy for wind speed forecasting using artificial intelligent methods, Renewable Energy, 34: 845848, 2009.

[2] Yerebakan, M., Rzgar Enerjisi, stanbul Ticaret Odas, Yayn No: 200133, 2001.

[3] Karadeli, S., Rzgar Enerjisi, Temiz Enerji Vakf, Kasm 2001.

[4] Wortman, A.J., Introduction to Wind Turbine Engineering, Butterworths, Boston, 1983.

[5] Kalogirou, S. A., Applications of neural networks for energy systems, Renewable Energy, 30 (7): 1075-1090, 2005.

[6] Kalogirou, S.A., Artificial neural networks inrenewable energy systems applications: a review, Renewable and Sustainable Energy Reviews, 5 (4): 373-401, 2001.

[7] Sreelakshmi, K., Ramakanthkumar, P., Neural Networks for Short Term Wind Speed Prediction, World Academy of Science, Engineering and Technology 18, 721-725, 2008.

[8] Kani, SAP, Ardehali, M.M., Very short-term wind speed prediction: a new artificial neural networkMarkov chain model Energy Convers Manage, 52 (1): 73845, 2011.

[9] Amjady, N., Keynia, F., Zareipour, H., Short-term wind power forecasting using Ridgelet neural network Electr Power Syst Res, 81 (12): 2099-107, 2011.

[10] Hui Liu, Chao Chen, Hong-qi Tian, Yan-fei Li., A hybrid model for wind speed prediction using empirical mode decomposition and artificial neural networks, Renewable Energy, Vol. 48, pp. 545556, 2012.

[11] Guo, Z.H, Wu, J, Lu, H.Y, Wang, J.Z., A case study on a hybrid wind speed forecasting method using BP neural network. Knowl Based Syst , 24 (7): 1048-56, 2011.

[12] Liu, H, Tian, H.Q, Chen, C, Li, Y.F., A hybrid statistical method to predict wind speed and wind power. Renew Energy 35 (8): 1857-6, 2010.

[13] Liu, H, Tian, HQ, Li, Y.F., Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction. Appl Energy, 98: 41524, 2012.

[14] Li, G. and Shi, J., "On comparing three artificial neural networks for wind speed forecasting," Applied Energy, Vol. 87, pp. 2313-2320, 2010.

[15] Cadenas, E, Rivera, W., Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA-ANN model. Renew Energy, 35 (12): 2732-38, 2010.

[16] Guo, Z.H., Zhao, W.G., Lu, H.Y., Wang, J.Z., Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model. Renew Energy, 37 (1): 241-9, 2012.

[17] Bhaskar, K., Singh, S.N., AWNN-assisted wind power forecasting using feedforward neural network. IEEE Trans Sustain Energy, 3 (2): 306-15, 2012.

[18] Hui Liu, Hong-qi Tian, Di-fu Pan, Yan-fei Li., Forecasting models for wind speed using wavelet, wavelet packet, time series and Artificial Neural Networks, Applied Energy 107, 191-208, 2013.

[19] ztopal, A., Kahya, C., ahin, A.D., Wind speed modelling with artificial neural network, III. Ulusal Temiz Enerji Sempozyumu, stanbul, Turkey, p. 415-422, 2000.

[20] ztopal, A., Artificial neural network approach to spatial estimation of wind velocity data, Energy Conversion and Management, 47 (4) : 395-406, 2006.

[21] Yurdusev, M.A., Ata, R., etin, N.S., Assessment of Optimum Tip Speed Ratio inWind Turbines Using Artificial Neural Network Energy 31: 1817-1825, 2006.

[22] Lippman, R.P., "An Introduction to Computingwith Neural Nets", IEEE ASSP Magazine, April, 4-22, 1987.

[23] Akpnar, E.K ve Akpnar, S., Determination of the Wind Energy Potential for Maden, Turkey, Energy Convers Manage, 45 (18-19), 2901-14, 2004.

[24] Weisser, D. A., Wind Energy Analysis of Grenada: an Estimation Using the Weibull Density Function, Renewable Energy, 28, 1803-1812, 2003.

[25] Deaves, D.M. and Lines, I.G., On the Fitting of Low Mean Wind Speed Data to the Weibull Distribution, J. Wind Eng. Ind. Aerodyn, 66, 169-78, 1997.

[26] Haralambopoulos, D.A., Analysis of Wind Charactersistics and Potential in the East Mediterranean-the Lesvos Case, Renewable Energy, 6, 445-54, 1995.

[27] elik, 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.

[28] lgen, K. ve Hepbal, A., Determination of Weibull parameters for wind energy analysis of zmir, Turkey, Int J Energy Res., 26, 495-506, 2002.

[29] Mathew, S., Pandey, K.P., Anil Kumar, V., Analysis of wind regimes for energy estimation, Renewable Energy, 25: 381-399, 2002.

[30] http://www.eie.gov.tr/turkce/YEK/ruzgar/ruzgar_index.html.