Meteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi

Transkript

1 KSÜ Fen ve Mühendslk Dergs, 10(1), KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük Teknk Eğtm Fakültes, Makne Eğtm Bölümü, Karabük 2 KSÜ. Zraat Fakültes, Tarım Makneler Bölümü, Kahramanmaraş ÖZET: Bu çalışmada, Zonguldak l çn yılları arasındak 10 yıllık meteorolojk verlern ortalaması kullanılarak yapay snr ağları le meteorolojk verler hesaplayablen br modelleme yapılmıştır. Mmars bu şlem çn tasarlanmış Yapay Snr Ağı nın (YSA) üç grş ve üç çıkış hücres bulunmaktadır. YSA da grş blgs olarak; Atmosfer dışındak güneş ışınım şddet, deklnasyon açısı ve güneşlenme süres blgler, çıkış olarak se, atmosfer çndek ışınım şddet, rüzgâr hızı ve hava sıcaklığı blgler kullanılmıştır. YSA nın gzl katmanında se 6 hücre kullanılmıştır. Bu YSA da eğtme karesel hata (e 0,0001) değerne ulaşılıncaya kadar devam edlmştr. YSA da stenlen hata değer sağlandıktan sonra, 2005 yılı verleryle test edlmştr. Test sonucunda ortalama bağıl hata değernn kabul edleblr hata sınırları çersnde çıkması YSA ların bu alanda kullanılablrlğn göstermştr. Anahtar Kelmeler: Yapay snr ağları, Güneş ışınımı, Deklnasyon açısı, Modelleme. Modelng Meteorologcal Data By Artfcal Neural Network ABSTRACT: A model was developed whch can calculate meteorologcal data wth artfcal neural networks by usng average of 10 year s meteorologcal data of Zonguldak cty between 1995 and Artfcal Neural Network (ANN), archtecture of whch was desgned for ths task has three nput and three output cells. Extraterrestral solar radaton, declnaton angle, and solar exposure were the nput data, and solar radaton, wnd velocty, and ar temperature were the output data for the ANN. 6 cells were used n the hdden layer of ANN. These ANN was traned untl the square error reached (e ). After the desred error value was reached for the ANN, t was tested wth the data of the year Mean relatve error value of the test showed that ANNs can be used n ths area. Keywords: Artfcal Neural Network, Solar Radaton, Declnaton Angle, Modelng. GĐRĐŞ Meteorolojk olaylar, nsan yaşamında büyük br öneme sahp olması nedenyle değerlernn blnmes büyük önem arz eder. Meteorolojk verler çok sayıda değşkene bağlı olmaları ve her yerde ölçülememeler sebebyle, çeştl yöntemler le modellenmeye ve bu modeller yardımıyla tahmn edlmeye çalışılmıştır. Yapılan modelleme çalışmaları özetle; Akpınar ve ark. (2005) Doğu Anadolu dak bazı ller çn hava şartları ve rüzgar gücünü lneer ve lneer olmayan regresyon metotları kullanılarak modellemşlerdr. Gelştrdkler modellern çalışmalarda kullanılablrlğn belrtmşlerdr. Dğer br çalışmada se, Hamdy ve ark. (2005) k farklı gözlem stasyonundak 2001 yılı çn ölçülen Ültravyole ve toplam güneş ışınım şddetn kullanarak eğttğ YSA yı 2002 yılı ölçümlern test etmştr. Sonuçta korelasyon katsayısını 0,99 0,74 arasında bulmuştur. Mellt ve ark. (2005) se, Cezayr de enlem, boylam ve rakımları farklı 60 meteoroloj stasyonu çn yılları arasındak güneş ışınımı verlern kullanarak farklı mmardek YSA larla fotovoltak br sstemn vermn modellemştr. Modelde kullanılan YSA lar 3 grşl 12 çıkışlıdır. Gzl katmanında 4 ve 8 hücre bulunmaktadır. 60 adet datadan 56 sı eğtmde 4 ü testte kullanılmıştır. Alam ve ark. (2006) 10 farklı meteoroloj stasyonundan alınan verler YSA le modellemştr. 6 grş br çıkış hücres vardır. Tymvos ve ark. (2005). Farklı mmardek ve değşk grş değşkenlerne sahp YSA lar le aylık global Radyasyon değerlern tahmn etmştr. Gzl katman sayısı 1 ve 2 almıştır. Grş değşken olarak teork güneşle rady, aylık maksmum Sıcaklık ve ay numarası değşkenlernden her sefernde ks alınmıştır. Sözen ve ark. (2005) Türkye dek 12 şehr çn 4 yıllık meteorolojk verler kullanılarak güneş ışınım şddet değern tahmn etmştr. MATERYAL ve METOT Meteorolojk Verler Atmosfer şartlarına bağlı olmayan Meteorolojk verler analtk eştlkler kullanılarak hesaplanmaktadır. (Duffe ve Beckman 1991; Bahel ve ark. 1987; Gadh ve ark. 1991). Günlük atmosfer dışı radyasyon (H o ), eştlk (1) kullanılarak hesaplanmaktadır 24 x3600 xg sc 360 n H = 1 + 0,033 cos ρ 365 πwss. cos φ cos δ sn w ss + sn φ sn δ (1) 180

2 KSÜ Fen ve Mühendslk Dergs, 10(1), KSU Journal of Scence and Engneerng, 10(1), 2007 Yılın herhang br günündek gün uzunluğu (N) Eştlk 2 le hesaplanmaktadır. 2 1 N= cos ( tan φ. tan δ) 15 (2) Deklnasyon açısı (δ) Eştlk 3 le hesaplanmaktadır n δ = 23,45 sn 360 (3) 365 Dğer meteorolojk verler se, brçok faktöre bağlı olduğu çn doğrudan analtk olarak hesaplanamamaktadır. Yapay Snr Ağları Yapay snr ağları, nsan beynnn snr hücres (nöron) yapısından esnlenerek gelştrlmş, modelleneblen ve öğreneblen algortmaya sahp sstemlerdr. Modelleme ve kontrol alanlarında genş uygulama alanları bulmuştur. YSA lar önce, eldek verler kullanılarak eğtlmekte ve sonra eğtm sırasında kullanılmayan verlerle test edlmektedr. Eğtme ş oldukça uzun zaman almasına rağmen; kullanım sırasında çok çabuk karar vermektedrler. Öğrenme, genelleme ve hataları tolare etme ve hatalı örneklerden yararlanablme yeteneklernden dolayı hem lneer hem de lneer olmayan sstemlern modellenmesnde çok genş uygulama alanı bulmuşlardır (Kalogrou, 1999; Özçalık ve Küçüktüfekç 2003). YSA lardan kontrol uygulamalarında, robotlarda, desen tanıma şlemlernde, tıpta, güç sstemlernde, snyal şlemede, sosyal ve fzyolojk tahmnde bulunmada ve özellkle sstem modellemede faydalanılmaktadır (Soters ve Bojc 2000; Üçgül ve ark. 2003). YSA lar yapısal ve matematksel olarak brbrnden farklılıklar gösterrler. Genellkle grş, çıkış ve gzl katman olmak üzere üç katmandan oluşurlar. Grş katmanındak hücre sayısı, YSA na yapılan ver grş sayısı kadardır. Çıkış katmanındak hücre sayısı se, YSA dan alınacak blg sayısı kadardır. Gzl katmandak düğüm sayısı se, deneysel olarak bulunur. Hücre sayısı ve hücreler arasındak bağlantı sayısı arttıkça YSA nın öğrenme kapastes artar ancak eğtm uzun zaman alır. Br hücrenn çok sayıda grş olmasına rağmen br adet çıkışı vardır. Hücreler bu grş blglern şleyerek br sonrak katmana blgy aktarırlar. Grş blgler; her blg kend ağırlığı le çarpılarak toplanır ve aktvasyon fonksyona tab tutularak şlenr. Böylece br sonrak katmana letlecek blg elde edlmş olur. YSA ların matematksel farklılıkları se eğtlmelernde kullanılan algortmalar ve hücre çıkışında kullanılan aktvasyon fonksyonunun tpdr. Aktvasyon fonksyonları üstel fonksyonlar htva etmelernden dolayı lneer olmayan modelleme elde edleblmektedr. Ağların eğtlmesnde; hatanın çıkış katmanından daha alt katmanlara doğru yayılmasına mkân vererek, ağırlıklı bağlantıları optmze eden Gerye yayılım algortması olarak adlandırılan eğtm sstem kullanılmıştır. Bu algortma yapay snr ağlarında en çok kullanılan metottur. Br yapay snr ağında grş hücre sayısı, grştek ver sayısına, çıkış hücre sayısı se, çıkıştan alınan blg sayısına eşttr. Gzl hücre sayısı çn bazı eştlkler verlmş fakat genellkle deneme yoluyla bulunmaktadır. Soters ve Bojc (2000), Gzl hücre sayısının hesaplanması çn Eştlk 4 tek bağıntıyı önermşlerdr. Gzl hücre sayısı= ½ (Grş hücre sayısı+çıkış hücre sayısı) + Egtlen v er aded (4) YSA nın eğtme şlem tamamlandıktan sonra ağın test edlmesnde her br ver çn Bağıl Hata (BH) ve bütün verler çn Ortalama Bağıl Hata (OBH) Eştlk 5-6 le hesaplanmaktadır (Đslamoğlu ve Kurt, 2004; Genel ve ark., 2003). 100 = g ( g y ) BH (5) n 1 = n 100 g g ( y ) OBH (6) = 1 Burada g : Gerçek değer, y : YSA nın hesapladığı sonuç değer, n: ver sayısıdır. YAPILAN UYGULAMA Zonguldak l çn 10 yıllık ( ) meteorolojk verlern aylık ortalamaları kullanılarak YSA le modelleme yapılmıştır. Meteorolojk verlern modellenmesnde kullanılmak üzere Vsual-Basc programlama dl le hazırlanmış olan YSA da grş, çıkış ve gzl katman olmak üzere üç katman bulunmaktadır. Grş ve çıkış katmanlarında 3 er hücre bulunmaktadır. Grş katmanındak hücreler; atmosfer dışındak ışınım şddet (H o ), güneşlenme süres (n/n) ve deklnasyon açısının snüsü (Sn δ) dür. Çıkış katmanındak hücreler se; ışınım (H), rüzgar hızı (v) ve hava sıcaklığı (t) dır. Yapısı Şekl 1 de gösterlen YSA nın gzl katmanındak hücre sayısının Eştlk 4 kullanılarak yaklaşık altı olması gerektğ hesaplanmıştır. Eğtmde her br çevrm çn karesel hatada e 0,0001 şartı sağlanmıştır. YSA ların eğtmnde gerye yayılım algortması kullanılmıştır. Eğtm şlemnde kullanılan formüllerde; öğrenme oranı α=0,8 ve momentum term β=0,7 alınmıştır.

3 KSÜ Fen ve Mühendslk Dergs, 10(1), KSU Journal of Scence and Engneerng, 10(1), 2007 Şekl 1. Güneş Işınımının modellenmesnde kullanılan yapay snr ağının mmar yapısı. Tablo 1 de yılları arasında Meteoroloj Genel Müdürlüğü tarafından Zonguldak lnde ölçülmüş olan meteorolojk verlern aylık ortalamaları verlmştr. Bu verler güneş ışınım şddet, rüzgar hızı ve dış ortam sıcaklığının modellenmes amacıyla kullanılmıştır. Modelleme yardımıyla tahmn edlmeye çalışılan 2005 yılına at meteorolojk verler Tablo 2 de verlmştr. Tablo 1. Zonguldak l çn arası on yıllık meteorolojk verlern ortalamaları R H Sn δ n/n o H t m/s MJ/m 2 MJ/m 2 C Ocak 2,77-0,359 0,301 14,28 4,382 6,13 Şubat 2,87-0,229 0,317 19,55 6,923 6,06 Mart 2,59-0,042 0,419 26,82 10,86 7,4 Nsan 2,37 0,169 0,475 34,48 15,41 11,26 Mayıs 2,05 0,326 0,573 39,7 20,37 15,6 Hazran 2,04 0,396 0,671 41,88 22,67 19,83 Temmuz 2,10 0,364 0,725 40,71 22,30 22,7 Ağustos 2,24 0,232 0,719 36,27 19,22 22,07 Eylül 2,36 0,031 0,619 29,22 15,06 18,7 Ekm 2,44-0,173 0,506 21,58 9,851 14,92 Kasım 2,63-0,324 0,419 15,64 5,883 11,61 Aralık 2,83-0,391 0,258 12,94 3,862 8,2 Şekl 2-4 de 2005 yılına at aylık ortalamalar halnde ölçülmüş olan meteorolojk verler le YSA kullanılarak tahmn edlen ışınım şddet, hava sıcaklığı ve rüzgâr hızı değerler grafkler halnde verlmştr. Şekl 2-4 de çzlen grafkler yardımı le hesaplanan ve ölçülen meteorolojk verler arasındak tutarlılığın karşılaştırılması sağlanmıştır. Grafklerde YSA kullanılarak tahmn edlen değerler le ölçülen değerler arasındak korelasyon katsayısı da verlmştr. Tablo 2. Kullanılan 2005 yılı meteorolojk verler R H Sn δ n/n o H t m/s MJ/m 2 MJ/m 2 C Ocak 2,60-0,359 0,301 14,28 3,639 7,1 Şubat 2,70-0,229 0,317 19,55 6,211 6,7 Mart 2,60-0,042 0,419 26,82 10,739 6,5 Nsan 2,50 0,169 0,475 34,48 14,263 11,9 Mayıs 1,80 0,326 0,573 39,7 18,126 15,7 Hazran 1,60 0,396 0,671 41,88 22,229 18,9 Temmuz 2,00 0,364 0,725 40,71 22,469 22,8 Ağustos 1,90 0,232 0,719 36,27 19,032 23,8 Eylül 2,10 0,031 0,619 29,22 14,824 19,6 Ekm 2,70-0,173 0,506 21,58 8,502 13,6 Kasım 2,00-0,324 0,419 15,64 4,421 10,4 Aralık 2,40-0,3915 0,258 12,94 4,271 8,7 Tablo 3 de 2005 yılı çn YSA kullanılarak tahmn edlen ışınım şddet, rüzgâr hızı ve hava sıcaklığı değerler ve bunların bağıl hataları verlmştr. Tablo 3. YSA tarafından tahmn edlen sonuçlar H (MJ/m 2 ) YSA R (m/s) t ( C) Ocak 4,1506 2,7763 6,6171 Şubat 6,9296 2,8564 6,6071 Mart 11,146 2,6044 7,1481 Nsan 15,629 2, ,9990 Mayıs 20,108 2, ,4446 Hazran 22,732 2, ,3508 Temmuz 22,665 2, ,0856 Ağustos 20,281 2, ,0981 Eylül 15,820 2, ,0516 Ekm 9,9972 2, ,6458 Kasım 6,2777 2, ,6362 Aralık 4,1565 2,8454 7,7931 OBH % 7,48 % 12,07 % 5,50

4 KSÜ Fen ve Mühendslk Dergs, 10(1), KSU Journal of Scence and Engneerng, 10(1), 2007 Şekl-2 de 2005 yılına at YSA tarafından tahmn edlen ve meteoroloj tarafından ölçülmüş olan hava sıcaklık değerler brer eğr le gösterlmştr. Şekl-2 de açıkça görüldüğü gb hesaplanmış ve ölçülmüş hava sıcaklık değerler brbrne oldukça yakın değerlere sahptr ve aralarındak ortalama bağıl hata %7,48 olarak belrlenmştr. Şekl-3 de se yne 2005 yılı çn YSA tarafından tahmn edlen ve meteoroloj tarafından ölçülmüş olan güneş ışınım şddet değerler brer eğr le gösterlmştr. Her k eğrnn temsl ettğ değerler arasında % 5,50 ortalama bağıl hata değerler mevcuttur. Şekl-4 de tahmn edlmş ve ölçülmüş rüzgâr hızı değerlern temsl eden eğrler görülmektedr. Her k değer arasında % 12,07 ortalama bağıl hata değerler mevcuttur. Bu durum rüzgâr hızındak değşmn 1,5 la 3 m/s gb küçük br aralıkta değşm göstermesnden ve 2005 yılı ölçümlernn ortalama değerlerden uzak olmasından kaynaklanmaktadır. Şekl 2. YSA da elde edlen hava sıcaklık değernn ölçülen değerlerle karşılaştırılması. Şekl 3. YSA da elde edlen güneş ışınım şddetnn ölçülen değerlerle karşılaştırılması. SONUÇ Yapay zekâ uygulamalarının br türü olan YSA lar kullanılarak yılları arasındak 10 yıllık meteorolojk verlere göre tahmn yapılmıştır. 10 yıllık verler YSA nın eğtmnde kullanıldıktan sonra 2005 yılı verler le YSA test edlmştr. Yapay snr ağında test sonucu ortalama bağıl hatalar; ışınım çn %7,49, sıcaklık çn %5,50, rüzgâr hızı çn %12,07 olarak hesaplanmış ve korelasyon katsayıları; ışınım çn 0,996, sıcaklık çn 0,992 ve rüzgâr hızı çn 0,789 olarak tespt edlmştr. Bu değerler YSA nın uygun ağ mmars ve eğtm set le ışınım şddet ve hava sıcaklığı verlernn tahmnnde kullanılableceğn; ancak rüzgar hızı tahmnlernde yanıltıcı sonuçlar verebleceğn göstermştr. Hazırlanan model, 2005 yılından sonrak yıllarda da Zonguldak lnde ışınım şddet ve hava sıcaklığını tahmn etmek amacıyla kullanılablecektr. Rüzgar hızı se, düşük br korelasyon ve yüksek bağıl hata değerlerne sahp olduğu çn hatalı sonuçlar verecektr.

5 KSÜ Fen ve Mühendslk Dergs, 10(1), KSU Journal of Scence and Engneerng, 10(1), 2007 Şekl 4. YSA da elde edlen rüzgâr hızının ölçülen değerlerle karşılaştırılması. SEMBOLLER ve KISALTMALAR H lık ortalama global güneş ışınımı (MJ/m 2 ) H o Atmosfer önces güneş ışınımı mktarı (MJ/m 2 ) n Gün ç güneş ışığı alımı süresnn aylık ort.(h) N Günlük ve aylık gün uzunluğu ortalaması (h) n ı Günün yıl çndek sıra numarası (Ocak-1 den başlayarak) R 2 Korelasyon katsayısı T lık ortalama hava sıcaklığı ( C) R lık ortalama rüzgâr hızı (m/s) ø Enlem δ Deklnasyon açısı w ss Güneşn doğuşundak saat açısı G sc Güneş sabt (1367 W/m 2 ) BH Bağıl hata OBH Ortalama bağıl hata KAYNAKLAR Akpınar, E.K., Bçer, Y., Erdoğan, B Doğu Anadolu Bölges ndek Bazı Đllern Hava Şartları ve Rüzgar Gücünün Modellenmes, Tessat Mühendslğ Dergs, Sayı: 89, Alam, S., Kaushk, S.C., Garg, S.N Computaton of beam solar radaton at normal ncdence usng artfcal neural network. Renewable Energy, 31(10): Bahel, V., Bakhsh, H., Srnvasan, R A Correlaton for Estmaton Solar Radaton of Global, Energy, 12(2): Duffe J.A., Beckman W.A Solar Engneerng of Thermal Processes, New York: Wley, 893s. Genel, K., Kurnaz, S.C., Durman, M Modellng of Trbologal Propertes of Alumna fber Renforced Znc-Alumnum Compostes Usng Artfcal Neural Network. Materals Scence Engneerng A, 363(1-2): Hamdy K. Elmnr, Faz F., Areed, Tarek S. Elsayed Estmaton of solar radaton components ncdent on Helwan ste usng neural Networks. Solar Energy, 79(3): Kalogrou, S.A Applcatons of artfcal neural networks n energy systems A revew. Energy Converson & Management, 40(10): Đslamoğlu,, Y., Kurt, A Heat Transfer Analyss Usng ANNs Wth Expermental Data for Ar Flowng Corrugated Channels. I. J. Of Heat And Mass Transfer, 47(6-7): Mellt, A., Benghanem, M., Hadj, A., Arab, A. Guessoum, A A smplfed model for generatng sequences of global solar radaton data for solated stes: Usng art.cal neural network and a lbrary of Markov transton matrces approach, Solar Energy. 79(5): Özçalık, H.R., Küçüktüfekç, A Dnamk Sstemlern Yapay Snr Ağları le Düz ve Ters Modellenmes. KSÜ Fen ve Mühendslk Dergs, 6(1), S.M., Bn Gadh, R.S., Megdad, S.A.A Albakr, Monthly Average Daly Global Solar Radaton n P.D.R. Yemen, Renewable Energy, 1(1): Soters, A.K., Bojc, M Artfcal Neural Networks for The Predcton of The Energy Consumpton of a Passve Solar Buldng. Energy, 25(5): Sözen, A., Arcaklıoğlu, A., Özalp, M., Çağlar, N Forecastng based on neural network approach of solar potental n Turkey. Renewable Energy, 30(7): Türkoğlu,Đ., Arslan, A Yapay Snr Ağları Đle Bozuk Örüntü Tanıma. FÜ. Fen ve Müh. Blmler Dergs, 8(1): 147. Tymvos, F.S., Jacovdes, C.P., Mchaeldes, S.C., Scoutel, C Comperatve Study of Angstrom s and Artfcal Neural Networks Methodologes n Estmatng Global Solar Radaton, Solar Energy, 78(6): Üçgül, Đ., Akarslan, F., Şencan, A Dokuma Kumaşların Kuruma Hızı Değerlernn Yapay Snr Ağları Metodu Đle Tahmn. Isı Blm ve Teknğ Dergs, 23: 1.