Antakya Bölgesi Rüzgar Hızı Verisinin Yapay Sinir Ağı ve Çoklu Lineer Regresyon Yaklaşımı Yöntemleri ile Tahmini

Transkript

1 EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE Antakya Bölgesi Rüzgar Hızı Verisinin Yapay Sinir Ağı ve Çoklu Lineer Regresyon Yaklaşımı Yöntemleri ile i Hasan Hüseyin BİLGİÇ İlker MERT * Cuma KARAKUŞ Ahmet YAPICI,, İskenderun Teknik Üniversitesi, Makine Fakültesi, Makine Mühendisliği, İskenderun, HATAY İskenderun Teknik Üniversitesi, Denizcilik Meslek Yüksekokulu, İskenderun, HATAY bilgichh@gmail.com ilkermert@dr.com* ckarakus@dr.com ayapici@gmail.com Özet Son yıllarda rüzgar enerjisine dayalı elektrik üretim sistemleri yaygınlaşmıştır. Elektrik toptan ticaret piyasasında gün öncesi elektrik piyasası ve bölgesel fiyatlandırma sisteminin bulunması nedeniyle bu piyasadaki fiyatların rekabetçi konumunu korumak isteyen elektrik üretimi yapan şirketlerin, sahip oldukları potansiyeli iyi bir tahmin mekanizması ile güçlendirmek durumundadırlar. Elektrik üretiminin temel girdisi olan meteorolojik parametrelerin tahmin edilmesi elektrik üretim tahmini yapmak durumunda olan ve rekabetçi bir ortamda iş yapan piyasa oyuncuları için oldukça önemli hale gelmiştir. Bu çalışmada ise rüzgar enerjisi bakımından şanslı sayılabilecek Hatay bölgesinde ölçülen basınç ve sıcaklık verilerine dayalı olarak oluşturulan istatistik veriler ile günlük maksimumum, minimum ve ortalama rüzgâr hızı verileri tahmin edilmeye çalışılmıştır. Yapay Sinir Ağı (YSA) ve doğrusal çoklu regresyon analizi yöntemi, bu çalışmada yer alan tasarım modeli için kullanılmıştır. Oluşturulan yapay sinir ağı modellerinin performansları belirlilik katsayısı (R ), ortalama karesel hatanın karekökü (RMSE),ve ortalama mutlak hata (MAE) performans kriterleri ile değerlendirilmiştir. Sonuç olarak yapay sinir ağı modeli ile parametre tahmininde başarılı sonuçlar elde edildiği görülmüştür.. Giriş Gelişen teknoloji ile birlikte enerjiye olan ihtiyaç her geçen gün artmaktadır. Gerekli enerji rüzgar, güneş, hidroelektrik santralleri gibi yenilenebilir kaynaklardan elde edilebildiği gibi; kömür, doğalgaz ve petrol gibi tükenebilir kaynaklardan da elde edilmektedir. Dünya üzerindeki insan nüfusunun artması ile enerji ihtiyacına bağlı olarak tüketim de artmaktadır. Fakat tükenebilir enerji kaynakların kullanımı gerek atmosfere salınan CO gazının zararları, gerekse kaynaklarının sonlanacak olması nedeniyle süreklilik arz etmemektedir. Aynı zamanda ülkemiz tarafından da imzalanankyoto protokolü ile yenilenebilir enerji kaynakları kullanımı zaruret haline gelmiştir. Ülkemiz sahip olduğu yer şekilleri ve coğrafi konumu sayesinde yüksek rüzgar potansiyeline sahiptir. Ancak rüzgardan elde edilen elektrik enerjisinin miktarı sabit olmayıp değişkenlik göstermesi üretilecek elektriğin tahmin edilmesini gerekli kılmaktadır. Rüzgar hızı ve rüzgar gücü tahmini ile ilgili bu zamana kadar birçok çalışma yapılmıştır. Yapılan çalışmalarda çoklu regresyon, en küçük kareler yöntemi gibi doğrusal yöntemler kullanıldığı gibi yapay sinir ağı, bulanık mantık gibi doğrusal olmayan yapay zeka teknikleri ve benzeri modeller de kullanılmaktadır [-].Bu çalışmalar arasındajursa ve Rohrig yapay sinir ağımodeli ve en yakın komşu arama modeli ile kısa süreli rüzgar gücü tahmininde bulunmuşlardır. Çalışmaları sonucunda parçacık sürü optimizasyonu ileoluşturulmuş model güç tahmininde en iyi sonucu vermiştir[].ioannis ve arkadaşları ise elektrik üretimi için gerekli olan rüzgar hızı tahmininde bulanık mantık modeli oluşturmuşlar ve eğitimde genetik algoritma tabanlı öğrenme şeması kullanılmışlardır. Sonuçta oluşturulan ağın tahminlerinin gerçek verilere oldukça yaklaştığını gözlemlemişlerdir []. Kolsan ve arkadaşları ise Ondokuz Mayıs Üniversitesi Dedebuzağı tepesine ait bir yıllık rüzgar verileri dikkate alınarak, unscented rüzgar gücü tahmin edilmeye çalışılmıştır. Unscented dönüşüm tekniğinden elde edilen sonuçlar, sıklık analizinden elde edilen sonuçlarla karşılaştırılmıştır [7]. Bu çalışmada ise Hatay iline ait meteorolojik veriler kullanılarak çoklu lineer regresyon ve yapay sinir ağı yöntemi ile minimum, maksimum ve ortalama rüzgar hızı tahminlerinde bulunulmuştur. Çoklu lineer regresyon modeli ile tahminde kullanılan bağımsız değişkenlerden tahmini etkileyen değişkenler elde edilerek sonuçlar tahmin edilmeye çalışılmıştır. Yapay sinir ağı yönteminde ise ileri beslemeli geri yayılımlı ağ mimarisi ağ oluşturulmuş ve Levenberg- Marquardt eğitim algoritması ile ağ eğitilmiştir. Ağ eğitilirken mevcut tüm bağımsız değişkenler ağda giriş olarak kullanılmıştır. Elde edilen tahmin sonuçları belirlilik katsayısı (R ), ortalama karesel hatanın karekökü (RMSE) ve ortalama mutlak hata (MAE) gibi performans kriterlerine göre değerlendirilmiştir. Sonuç olarak yapay sinir ağı modelindeki tahminlerin gerçek sonuçlara oldukça yakın olduğu gözlenmiştir.. Materyal ve Metot Yapılan çalışmada Hatay bölgesine ait bir yıllık meteorolojik verilerden maksimum (T max ), minimum (T min ) ve

2 EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE ortalama(t ort ) sıcaklık;sıcaklığa ait standart sapma (T st ), çarpıklık katsayısı (T çarp ) ve basıklık katsayısı(t bas ); maksimum (P max ), minimum (P min ) ve ortalama basınç (P ort ); basınca ait standart sapma (P st ), çarpıklık katsayısı (P çarp )ve basıklık katsayısı (P bas ) olmak üzere oniki farklı bağımsız değişkenin bir yıl içerisindeki günlük değerleri kullanılarak er adet girdi veri seti ile maksimum rüzgar hızı (V max ), minimum rüzgar hızı (V min ) ve ortalama rüzgar hızı (V ort ) parametrelerinden oluşan hedef veri seti oluşturulmuştur. Bu veri setlerinden tanesi eğitim kalan tanesi ise test için kullanılmıştır. Çoklu lineer regresyon modeli ile on iki bağımsız değişkenden etkin olan değişkenler belirlenerek bu değişkenlerle regresyon modeli oluşturulmuştur.yapay sinir ağı modelleri ise yine aynı şekilde on iki bağımsız değişken kullanılarak eğitilmiştir.. Yapay Sinir Ağları İnsan nöron yapısından yararlanılarak geliştirilen yapay sinir ağları; insan beynindeki sinir ağından esinlenerek ortaya çıkarılmış; öğrenme, tahmin etme ve eksik bilgi olsa dahi çıkarım yapma gibi özelliklere sahip, insan sinir sisteminin matematiksel bir modelidir. Karmaşık ilişkilerin değerlendirilmesinde birbirlerine bağlı hücreler arasındaki ilişkiyi kullanarak tahmin, sınıflandırma, öğrenme gibi faaliyetlerde bulunabilen yapay sinir ağları son zamanlarda çokça tercih edilen optimizasyon tekniklerindendir[8-9].sistem üzerinde belirlenen giriş ve çıkış değişkenleri arasındaki bilinmeyen değerler ile tespiti kolay olmayan çalışma şartları, Yapay Sinir Ağları (YSA) ile tahmine ve ön bilgiye gerek duyulmadan bulunabilmektedir. YSA doğrusal modelleme yapan programlardan farklı olarak verilerin doğrusal olmayan ilişkileri, belirsizlikleri ve kesinlikleri hallerinde de modelleme yapabilmektedir []. Kullanılan ağ yapısı olarak ileri beslemeli geri yayılımlı ağ mimarisi tercih edilmiştir. Ağ yapısını ilişkin görsel şekil de görülmektedir. Şekil : için geliştirilen ağ mimarisi [] Çalışma kapsamında tercih edilen yapay sinir ağı modeli giriş, çıkış ve bir gizli katman olmak üzere üç katmanlıdır. Transfer fonksiyonu olarak tanjant sigmoid transfer fonksiyonu kullanılmıştır. Verilerin transfer fonksiyonunda anlamlı hale gelmesi için gizli katman ve çıkış katmanında nöronlara bias (eşik değeri)eklenmiştir. Denklem de transfer fonksiyonuna ait eşitlik verilmiştir. f(x) = +e x ().. Çoklu Lineer Regresyon Basit regresyonda model oluşturulurken tüm bağımsız değişkenler sisteme dahil edilerek hesaplama yapılır. Fakat gerçekte bağımsız değişkenlerin bir kısmının etkisi çok azdır veya bir kısmının da etkisi olmayabilir. Böyle durumları tespit etmek için çoklu lineer regresyon modeli (ÇLRM) kullanılabilmektedir. Y X X X ()... j e Şekil. Yapay bir nöronun yapısı [] Beş temel bileşenden oluşan nöron yapısında; X, X X n giriş olarak tanımlanan ve dış ortamdan veya diğer hücrelerden gelen bilgilerdir. w, w w n gelen bu bilgilerin çarpılarak toplama operatörüne iletildiği ağırlıklardır. Ağırlıklar, eğitimdeki değişkenin sonuç üzerindeki etkisini göstermektedir. Toplama bias (eşik değeri) eklenerek ve elde edilen değer transfer fonksiyonundan geçirilerek nöronun çıkış değerine ulaşılmaktadır. Denklem de ilgili nörona dair işlemler görülmektedir. n y = f( i= x i w i + b) () Denklemde Xbağımsız değişkenleri Y ise X e bağlı değişkeni göstermektedir. doğrunun y-eksenini kestiği yeri, doğrunun eğimi veya regresyon katsayısını, β j nci açıklayıcı parametreyi ifade ederken ise şansa bağlı hata değerini ifade etmektedir. Burada ve -j değerleri veri setinin tamamı kullanılarak hesaplanan teorik değerlerdir. Ancak yine de dikkate alınmayan bağımsız değişkenler olabileceğinden, verilerin rastgele (şansa bağlı) değişimlerini gösteren hata değeri modelde yerini almıştır. Bağımsız değişken X in regresyon modeli ile bağımlı değişken Y yi ne kadar açıklayabildiğini görmek için bir ölçüt olan karar katsayısı, belirleme katsayısı R² kullanılır [].

3 V (m/s) EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE R ( R )( ) k adj Burada, Y i, Y obs,ve sırasıyla tahmini değerleri, gözlem değerlerini, ve gözlem sayısını ifade etmektedir.eşitlik ile verilen,r oldukça yararlı sonuçlar ortaya koyması nedeniyle hem regresyon hem de YSA aşamasında kullanılmıştır. Bunla beraber Eşitlik ve ile verilen ortalama mutlak hata (MAE) ve ortalama karesel hatanın karekökü (RMSE) değerleri nihai değerlendirmeleri elde etmek için ayrıca hesaplanmıştır. MAE Y Y () i obs i () RMSE Y Y. Araştırma Bulguları i obs () i Bu çalışmada Hatay bölgesine ait temel veriler olan maksimum (T max ), minimum (T min ) ve ortalama (T ort ) sıcaklık; maksimum (P max ), minimum (P min ) ve ortalama basınç (P ort ) ve ve bu verilerin yanında istatiksel veriler olan; sıcaklığa ait standart sapma (T st ), çarpıklık katsayısı (T çarp ) ve basıklık katsayısı(t bas ); basınca ait standart sapma (P st ), çarpıklık katsayısı (P çarp )ve basıklık katsayısı (P bas ) olmak üzere bağımsız değişken bağımlı değişkenler olan maksimum rüzgar hızı (V max ), minimum rüzgar hızı (V min ) ve ortalama rüzgar hızı (V ort ) parametrelerinin tahmini için kullanılmıştır. yöntemi olarak YSA ve ÇLRM kullanılmıştır. i yapılacak herbir parametre için ayrı ayrı ÇLRM ve YSA modeli oluşturulmuştur. V max YSA Test Verisi V max ÇLRM Test Verisi R² =,78 R² =,98 Şekil. V max test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri Vmax Vmax YSA Vmax ÇLRM Gün Şekil.V max test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması

4 V (m/s) EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE V max tahmini için YSA modeli oluşturulurken ileri beslemeli geri yayılımlı ağ tipitecih edilmiş ve öğrenme algoritması için Levenberg-Marquardt eğitim algoritması kullanılmıştır. Ara katman nöron sayısı en iyi uyumu sağlayan nöron olarak seçilmiştir. adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir. Çoklu lineer regresyon modeli oluşturulurken farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda V max üzerinde etkili parametreler T min, T st, T ort, T bas, P max, P çarp T çarp olarak belirlenmiştir. V max üzerinde etkili parametreler ve ağırlıkları Eşitlik 7 ile verilmiştir. model sonuçlarının karşılaştırıldığı grafikler Şekil ve de gösterilmiştir. Tablo de ise performans ölçütleri olan R, RMSE ve MAE değerleri verilmiştir. V =.-.*T -.*T +.*T -.*T max min st ort bas -.*P -.*P +.*T max çarp çarp (7) Modeller oluşturulduktan sonra test verileri ÇLRM ve YSA modeline girdirilmiş, sonuçlara ilişkin saçılma grafikleri ve V min YSA Test Verisi R² =,78 V min ÇLRM Test Verisi R² =,98 Şekil. V min test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri Vmin Vmin YSA Vmin ÇLRM Gün Şekil V min test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması

5 V (m/s) EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE V min tahmini için YSA modeli oluşturulurken ileri beslemeli geri yayılımlı ağ tipi tecih edilmiş ve öğrenme algoritması olarak Levenberg-Marquardt eğitim algoritması kullanılmıştır. Ara katman nöron sayısı deneme yanılma yöntemi ile en iyi uyumu sağlayan nöron olarak seçilmiştir. adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir. Çoklu lineer regresyon modeli oluşturulurken farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda V min üzerinde etkili parametreler T min, T max, T bas,p çarp olarak belirlenmiştir. V min üzerinde etkili parametreler ve ağırlıkları Eşitlik 8 ile verilmiştir. gösterilmiştir. Tablo de ise performans ölçütleri olan R, RMSE ve MAE değerleri verilmiştir. V = *T -.*T min min max -.7*T bas -.*P çarp (8) Modeller oluşturulduktan sonra test verileri ÇLRM ve YSA modeline girdirilmiş, sonuçlara ilişkin saçılma grafikleri ve model sonuçlarının karşılaştırıldığı grafikler Şekil ve de V ort YSA Test Verisi R² =,89 V ort ÇLRM Test Verisi R² =,79 Şekil 7 V ort test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri Vort Vort YSA Vort ÇLRM Gün Şekil 8 V ort test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması

6 EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE V ort tahmini için YSA modeli oluşturulurken ileri beslemeli geri yayılımlı ağ tipi tecih edilmiş ve öğrenme algoritması olarak Levenberg-Marquardt eğitim algoritması kullanılmıştır. Ara katman nöron sayısı en iyi uyumu sağlayan nöron olarak seçilmiştir. adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir. Çoklu lineer regresyon modeli oluşturulurken farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda V ort üzerinde etkili parametreler T bas, T st, P çarp, P max,t ort olarak belirlenmiştir. V ort üzerinde etkili parametreler ve ağırlıkları Eşitlik 9 ile verilmiştir. V =7. -.*T ort bas st çarp -.*P max +.*T -.9*T -.9*P Modeller oluşturulduktan sonra test verileri ÇLRM ve YSA modeline girdirilmiş, sonuçlara ilişkin saçılma grafikleri ve model sonuçlarının karşılaştırıldığı grafikler Şekil 7 ve 8 de gösterilmiştir. Tablo de ise performans ölçütleri olan R, RMSE ve MAE değerleri verilmiştir. ort (9) Tablo.Parametre tahmini için ÇLRM veysa performans ölçütleri Parametre Metot/Girdi Kombinasyonu Model Levenberg-Marquardt YSA -- RMSE R MAE Eğitim,79,77, Test,78,78,8 V max T min, T st, T ort, T bas, P max, P çarp T çarp ÇLRM 7- Eğitim,888,7,7 Test,8,98,7 Levenberg-Marquardt YSA -- Eğitim,9,77,9 Test,,78, V min T min, T max, T bas, P çarp ÇLRM- Eğitim,77,8,7 Test,8,98, V ort Levenberg-Marquardt YSA -- T bas, T st, P çarp, P max,t ort ÇLRM - Eğitim,9,89,7 Test,7,89,7 Eğitim,7,7,88 Test,7,79,7

7 EEB Elektrik-Elektronik ve Bilgisayar Sempozyumu, - Mayıs, Tokat TÜRKİYE. Sonuçlar Bu çalışmada Hatay iline ait saatlik ortalama değerler olarak kaydedilen meteorolojik veriler kullanılarak çoklu lineer regresyon ve yapay sinir ağı yöntemi ile minimum, maksimum ve ortalama rüzgar hızı tahminlerinde bulunulmuştur. Çoklu lineer regresyon modeli ile tahminde kullanılan bağımsız değişkenlerden tahmini etkileyen değişkenler elde edilerek sonuçlar tahmin edilmeye çalışılmıştır. Yapay sinir ağı yönteminde ise ileri beslemeli geri yayılımlı ağ mimarisi ağ oluşturulmuş ve Levenberg- Marquardt eğitim algoritması ile ağ eğitilmiştir. Ağ eğitilirken mevcut tüm bağımsız değişkenler ağda giriş olarak kullanılmıştır. Elde edilen tahmin sonuçları belirlilik katsayısı (R ), ortalama karesel hatanın karekökü (RMSE) ve ortalama mutlak hata (MAE) gibi performans kriterlerine göre değerlendirilmiştir. Önceki çalışmalarda belirtilmiş olan YSA nın temel parametrelerle ilişkisinin başarısı istatiksel parametreler ile de ortaya konulmuştur. ÇLRM ile parametre tahmininde etkisiz olan veri setleri belirlenmiş ve sadece etkin parametreler içeren model oluşturularak tahmin işlemi gerçekleştirilmiştir.çlrm süreci sonunda V max üzerinde etkili parametreler T min, T st, T ort, T bas, P max, P çarp T çarp olarak, V min üzerinde etkili parametreler T min, T max, T bas,p çarp olarak, V ort üzerinde etkili parametreler T bas, T st, P çarp, P max,t ort olarak belirlenmiştir. YSA ile tahminde ise tahmin üzerinde etkili olmayan veri setleri de eğitimde kullanılmış ve YSA nın etkisi çok küçük olan veri setleri ile yapılan tahminde sonuçları çok başarılı tahmin ettiği görülmüştür. Özellikle de sırasıyla V max V min ve V ort için elde edilen,78,,78 ve,89gibi R değerlerinin tahmin aşısından kabul edilebilir düzeyde olduğu bulunmuştur. Sonuç olarak ÇLRM süreci sonucunda sadece etkin olan parametrelere dayalı regresyon modelinin özellikle V ort tahmininde başarılı olduğu öte yandan etkinliğine bakılmaksızın girdi verilerinin tamamı kullanılarak eğitilen YSA tarafından yapılan V max, V min ve V ort parametrelerin her üçüne ait tahminlerin ise ÇLRM ne nazaran daha başarılı olduğu gözlenmiştir. [] Atik, K., Deniz, E. and Yıldız, E. Meteorolojik Verilerin Yapay Sinir Ağları İle Modellenmesi.,KSU Journal of ScienceandEngineering, (), 7. [] Barbounis, T.G. andtheocharis, J.B. A locallyrecurrentfuzzyneural network withapplicationtothewindspeedpredictionusingspatialco rrelation.,eurocomputing, 7(7), pp [] Ramasamy, P.,Chandel, S.S. andyadav, A.K. Windspeedprediction in themountainousregion of Indiausing an artificialneural network model.,renewableenergy, 8, pp.8-7. (). [] Jursa, R. androhrig, K. Shorttermwindpowerforecastingusingevolutionaryalgorithmsf ortheautomatedspecification of artificialintelligencemodels.. International Journal of Forecasting, (), pp [] Damousis, I.G.,Alexiadis, M.C., Theocharis, J.B. anddokopoulos, P.S. A fuzzy model forwindspeedpredictionandpowergeneration in windparksusingspatialcorrelation.,energy Conversion, IEEE Transactions on, 9(), pp.-.. [7] Kolsan, O.,Ozgonenel, O., Ozdemir, M. and Karaca, S. A newwindpowermeasurementalgorithm: A samplecalculationfor OMU- Dedebuzagihill.,InSignalProcessingand Communications Applications Conference (SIU),. th (pp. -). IEEE.. [8] Mert, I.,and Arat, H. T., "Prediction of heat transfer coefficientsby A foraluminum&steelmaterial." International Journal.: -9.. [9] Sarve, Shriram, A.,Sonawane, S. and Varma, M.."UltrasoundassistedbiodieselproductionfromSesame (Sesamumindicum L.) oilusingbariumhydroxide as a heterogeneouscatalyst: Comparativeassessment of predictionabilitiesbetweenresponsesurfacemethodology (RSM) andartificialneural network (A)."UltrasonicsSonochemistry. [] Zhang, G.,Patuwo, B.E. ve Hu, M.Y., Forecastingwithartificialneuralnetworks: thestate of the art, Int. Journal of Forecasting,, [] Kalogirou, S. A., "Applications of artificialneuralnetworks in energysystems." Energy Conversion and Management.: [] Mert, İlker, Cuma Karakuş, and Fatih Üneş. "Estimatingtheenergyproduction of thewindturbineusingartificialneural network."eural Computing and Applications: -.. Eriksson L.,Johansson E., Kettaneh-Wold. AndWold S. Multi-andmegavariate data analysis: part principlesandapplications, th edn. Umetrics, Sweden, p,.. Kaynaklar [] Bulut, Y.M. andaçıkkalp, E., Rüzgar Enerjisi Potansiyelinin Hesaplanmasında Parametre Yöntemlerinin İncelenmesi.,Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, (), pp.9-,.