YAPAY SĠNĠR AĞI GERĠ YAYINIM ALGORĠTMASI KULLANILARAK RÜZGÂR HIZI TAHMĠNĠ

Transkript

1 YAPAY SĠNĠR AĞI GERĠ YAYINIM ALGORĠTMASI KULLANILARAK RÜZGÂR HIZI TAHMĠNĠ Yalçın Kaplan 1 Umut Saray 2 Cem Emeksiz 3 Yakup Osman YeĢilnacar 4 Sadık Önal 5 Volkan Karaca 6 1) Sahil Güvenlik Komutanlığı, Hasköy, Ġstanbul Tel: E-Posta: yalcinnkaplann@gmail.edu.tr 2,3,4,5,6 ) GOP. Üni. Turhal Meslek Yüksekokulu, Tokat Tel: E-Posta: umut.saray@gop.edu.tr, E-Posta: cem.emeksiz@gop.edu.tr, E-Posta: yakuposman.yesilnacar@gop.edu.tr, E-Posta: sadik.onal@gop.edu.tr, E-Posta: volkankaraca@gop.edu.tr ÖZET Bu çalışmada, Türkiye nin Karadeniz bölgesinde bulunan Tokat iline ait rüzgâr verilerinin, Yapay sinir ağları (YSA) yardımıyla rüzgâr hızı tahmini için kullanılması incelenmiştir. Uygulamada MATLAB Neural Network araç kutusu ile geri beslemeli, 3 katmanlı bir ağ tasarlanmıştır. Kullanılan veriler devlet meteoroloji işleri istasyonundan 10 metre yükseklikten alınmıştır. Tokat iline ait 2010 yılı ocak, şubat ve mart aylarının günlük ortalama rüzgâr hızı tahmini, yılları arasındaki ocak, şubat ve mart aylarının günlük ortalama rüzgâr hızı,sıcaklı ve nem verilerden yararlanılarak tahmin edilmiştir. Her üç ayın Rüzgâr-Sıcaklık (R-S), Rüzgâr-Basınç (R-B), Rüzgâr-Nem (R-N) giriş verileri kullanılarak rüzgâr hızı tahmini için çok katmanlı geri beslemeli ağ modelinde Esnek yayınım (EY) öğrenme algoritması kullanılarak, 3 adet grafik elde edilmiş ve ortalama karekök hatası (OKH) değerleri hesaplanmıştır. Anahtar Kelimeler: Rüzgâr enerjisi, Yapay sinir ağları, Geri yayınım algoritması ABSTRACT Wind Speed forecast with back propagation algorithm In this study, belonging to the city of Tokat in the Black Sea region, artificial neural networks (ANN) were investigated with the help of the use to forecast the wind speed. In study designed three-tier networkfeedback with MATLAB neural network toolbox. The station ten meters above the state of meteorological data was used in the work. Belonging to the city of Tokat in 2010 January, February and March, the months between the estimated average daily wind speed in January, February and March the average daily wind speed, temperature and humidity were estimated using data. Every three months, Wind-Heat, Wind-Pressure, Wind-humidity using input data is feedback to resilient learning algorithm the multilayer network model for the prediction of wind speed, using the three graphs obtained from and root mean square error (RMSE) values were calculated. Keywords: Wind energy, Artificial neural networks, Backpropagation, Resilient algorithm

2 1. GiriĢ Enerji, insanlara fayda sağladığı gibi çevre ve canlıların sağlığı içinde yararlı olmalıdır. Enerji ile ilgili oluşabilen çevresel sorunlar nerdeyse tüm insanlar tarafından bilinmektedir. Özellikle fosil yakıtların alınması, taşınması, dağıtılması veya tüketilmesi esnasında oluşabilecek sızıntılar doğaya ve içinde bulunan canlılara zarar verebilmektedir. Fosil yakıtlarca salınan zararlı gazların olumsuz etkileri de küresel ısınma gibi sorunlarla karşımıza gelmektedir. Bu sebebler, bilim insanlarının temiz enerji alanına daha çok araştırma yapmasına ve bu alanın hızla gelişmesini sağlamıştır. [1] Yenilenebilir enerji dünyada hızla büyümektedir. Yenilenebilir enerji alanında rüzgâr enerjisi son yıllarda oldukça popüler duruma gelmiştir. Rüzgâr enerjisinin çevre dostu, yatırım alanlarının geniş olması ve devlet teşvikleri ile desteklenmesi bu alanı bir sektör haline getirmiştir. [2] Rüzgâr enerjisi, Günümüzde alternatif bir enerji kaynağı olarak değerlendirilen rüzgâr enerjisi, aslıda insanoğlunun M.Ö lerden beri, farlı şekillerde kullandığı, en eski enerji kaynaklarından biridir. Rüzgâr, tarihten bu güne yelkenlilerde, tahıl öğütmede, su pompalamada, rüzgâr türbinlerinde kullanılmıştır. [3] Dünya kurulu rüzgâr kapasitesi değişimi [MW] grafiği şekil.1 de görülmektedir yılında kurulu rüzgâr kapasitesi MW seviyesindeyken, 2011 sonunda MW seviyesine çıkarak hemen hemen 10 katlık bir artış görülmüştür. Şekil.1.1 Dünya kurulu rüzgâr kapasitesinin yıllara göre değişimi [MW] [4] 2011 yılında, toplam kurulu kapasite MW seviyesine ulaşmıştır. Tüm dünyaya paralel olarak, ülkemizde de rüzgâr enerjisine verilen önem hız kazanmıştır. Türkiye dünya çapında rüzgâr enerjisi sıralamasında 1274 MW üretimiyle 2010 yılı sonu itibariyle 17. Sırada bulunmaktaydı. Türkiye 2009 yılı sonunda büyük bir büyüme oranı göstererek Avrupa rüzgâr pazarında kendini belli etmiştir [5] yılı büyüme oranı %138,9 olarak kaydedilmiştir yılında

3 da yine büyüme sürmüş fakat 2009 yılına göre daha düşük bir büyüme oranı görülmüştür yılı sonunda % 59,9 luk bir büyüme gerçekleşmiştir Buna rağmen Türkiye büyüme oranı açısından dünyada ilk 10 a girerek 5. Sırada yerini almıştır. [6] yılı sonu itibari ile Türkiye 1799 MW rüzgâr kapasitesi seviyesine ulaşarak, büyüme oranında önemli bir başarı göstermiş % 41,2 büyüme ile büyüme oranı bakımından dünyada 4. Sırada yer almıştır. [4] Rüzgâr hızı, rüzgâr enerjisi potansiyelinin belirlenmesi için çok önemli bir parametredir. Rüzgâr türbinlerinin kurulum yeri ve türbin tasarımı belirlenmesi ortalama rüzgâr hızına göre değerlendirilmektedir. Rüzgâr hızı ölçümlerindeki %1 oranında bir hata enerji çıkışında yaklaşık %2 değerinde enerji çıkışında hataya sebep olmaktadır. [7] Rüzgâr hızının tahmini için birçok yöntem kullanılmıştır. Bulanık mantık[8], Regresyon analizi [9], Yapay sinir ağları[10] bu yöntemlerdendir. Gong ve Jing ise, Hannaford şehri için yapay sinir ağı geri beslemeli çok katmanlı ağı kullanarak rüzgâr hızı tahmini yaptılar.[11] Ghanbarzadeh ve arkadaşları İran ın Manjil şehri için sıcaklık, basınç ve nem girişleri ile YSA çok katmanlı ağ kullandılar. [12]. 2. Yöntem 2.1 Yapay Sinir Ağları Yapay sinir ağları (YSA), insan beyninin fonksiyonlarında olduğu şekilde; öğrenerek, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri, sistem dışından yardım almadan yapabilen bilgisayar yazılım sistemleridir. Temel YSA hücresinde girişler (X n ), ağırlıklar (W n ), toplama fonksiyonu (NET), aktivasyon fonksiyonu eşik değeri (b), aktivasyon fonksiyonu (f) ve çıkış değeri (o) şekil 2 de görüldüğü gibidir. Ağırlıklar Birleştirme fonksiyonu f Aktivasyon fonksiyonu Çıktılar

4 Şekil.2 YSA temel yapısı Hücre dışından alınan veriler, ağırlıkların etkisinde nörona bağlanır. Ağırlıkların girişlerle çarpılarak, eşik değerinin toplanması sonucu net girdi oluşturulur. Aktivasyon fonksiyonunda net girdi işlenerek hücre çıkışını oluşturur. [3] (1) Çok katmanlı ağ ; Giriş katmanı ile çıkış katmanı arasındaki katman veya katmanlar gizli katman olarak adlandırılır. Sinir ağlarında kaç tane gizli katman kullanılacağı ve her bir gizli katmanda kaç nöron olacağı bugüne kadar belirlenememiştir, probleme göre değişen bu nitelikler deneme-yanılma yoluyla bulunur. Geri beslemeli ağ modeli(gba), kolaylığı ve uygulanabilirliği gibi başarılarından dolayı ağ eğitimi için en popüler algoritmalardan biridir. Ağırlıklar hesaplanırken, girişlerle çıkışlar arasındaki hata sinyali bulunarak, ağırlıklar bu hata sinyaliyle güncellenmektedir. Bu çalışmada GBA kullanılmıştır. GBA çok kullanılmasına rağmen bazı dezavantajları da bulunmaktadır. GBA sonuca çok yavaş olarak yaklaşmaktadır. Ayrıca lokal minimuma yakalanma riski de vardır. GBA içinde birçok öğrenme algoritması mevcuttur. Bunlardan bazıları; Levenberg-Marquart, Dik iniş ve esnek yayınım öğrenme algoritmalarıdır. Esnek yayınım (EY) algoritmasının basit prensibi, ağırlık adımlarındaki kısmi türevin boyutunun zararlı etkisini ortadan kaldırmaktır. Sonuç olarak türev işaretleri ağırlık güncellemelerinin gideceği yönü gösterir. Bu çalışmada EY algoritması kullanılmıştır. [3] 3. Uygulama Bu çalışmada, ocak, şubat ve mart ayları için R-S, R-B, R-N girişleri oluşturularak GBA modelinde EY öğrenme algoritması ile rüzgâr hızı tahmini yapılmıştır. Uygulamada kullanılan tüm veriler 0,1 ile 0,9 arasında normalize edilmiştir. Ayrıca MATLAB yapay sinir ağları araç kutusu ile veriler analiz edilmiştir. Uygulamada 2005 yılından 2010 yılına kadar olan ocak, şubat ve mart verileri kullanılmıştır. Eğitim verileri test verileri olarak kullanılmamıştır yılları arasındaki R-S, R-B ve R-N verileri eğitim verisi olarak, Eğitim hedefi olarak 2009 yılı rüzgâr verileri gösterilmiştir. Test verisi olarak ise 2009 yılı R-S, R-B ve R-N verileri ayrı ayrı kullanılmıştır. Ağ çıkışı ile 2010 yılı rüzgâr verileri kıyaslanarak, OKH değerleri çıkarılmıştır. Ocak, şubat ve mart aylarına ait R-S girişi ile EY algoritması kullanılarak elde edilen rüzgâr hızı grafiği

5 Rüzgâr verileri Rüzgâr verileri IX. Clean Energy Symposium, UTES OCAK-SUBAT-MART Rüzgâr hızı grafiği HEDEF TAHMİN Günler Şekil 3.1. R-S girişi ile EY algoritması kullanılarak ocak, şubat ve mart aylarına ait rüzgâr hızı grafiği Ocak, şubat ve mart aylarına ait R-B girişi ile EY algoritması kullanılarak elde edilen rüzgâr hızı grafiği OCAK-ŞUBAT-MART Rüzgâr hızı grafiği HEDEF TAHMİN Günler Şekil 3.2 R-B girişi ile EY algoritması kullanılarak ocak, şubat ve mart aylarına ait rüzgâr hızı grafiği Ocak, şubat ve mart aylarına ait R-N girişi ile EY algoritması kullanılarak elde edilen rüzgâr hızı grafiği

6 Rüzgâr verileri IX. Clean Energy Symposium, UTES OCAK-ŞUBAT-MART Rüzgâr hızı grafiği HEDEF TAHMİN Günler Şekil 3.3 R-N girişi ile EY algoritması kullanılarak ocak, şubat ve mart aylarına ait rüzgâr hızı grafiği 4. Sonuçlar Grafiklerdeki sonuçlar YSA, 3 farklı geri besleme ağ algoritması ile 3 farklı giriş için aynı nöron sayıları ve aynı aktivasyon fonksiyonları ile eğitilerek elde edilmiştir. 3 katmanlı ağ yapısı, ilk katmanda 30 tanjant sigmoid, ikinci ara katmanda 20 tanjant sigmoid ve çıkış katmanında 1 tanjant sigmoid aktivasyon fonksiyonu kullanılmıştır. Ağ çıkışından elde edilen verilere göre üç aylık OKH değerleri tablo.1 de gösterilmiştir. Tablo 1. Sonuçlar GĠRĠġLER RMSE R-B 0,0704 R-N 0,0903 R-S 0,0860 Tablo.1 de görüldüğü gibi R-B girişi ile alınan sonuçlar, R-S ve R-N sonuçlarına göre 3 aylık tahminlerde daha başarılı olmuştur. Ayrıca 3 katmanlı ağ yapısının rüzgâr hızı tahmininde kullanılabileceği görüldü.

7 5. KAYNAKLAR [1] O. Y. Yeşilnacar, Bilecik ilinin yapay sinir ağlarıyla rüzgâr, sıcaklık ve basınç tahmini. Yüksek lisans tezi, Bilecik Üniversitesi, Bilecik, [2] Saray, U. Lüy, M. Çam, E., Amasya ili için yapay sinir ağlarıyla Rüzgâr hızı tahmini. Elektrik Elektronik Mühendisliği Günleri (EEMG), 29 Eylül- 1 Ekim 2011, Ankara, 20-23, [3] Saray, U. Rüzgâr potansiyelinin yapay sinir ağlarıyla analizi ve uygulaması. Yüksek lisans tezi, Kırıkkale Üniversitesi, Kırıkkale [4] The world wind energy association report World Wind Energy Association WWEA, 23p, May 2012 [5] World wind energy report 2010, World Wind Energy Association (WWEA), 23p, April [6] Lüy, M. Saray, U., Wind Speed Estimation For Missing Wind Data With Three Different Backpropagation Algorithms. Energy Education Science and Technology Part A, Cilt 30(1), 45-54, 2012 [7] Ucar, A. Balo, F., Evaluation of Wind Energy Potential and Electricity Generation At Six Locations in Turkey. Applied Energy, 86 (1), , [8] Çam, E. Yıldız, O. Prediction of Wind Speed and Power Potential in the Middle Anatolian Region of Turkey by Adaptive Neuro-Fuzzy Inference Systems (ANFIS), Turkish Journal of Engineering and Environmental Sciences, 30(1), 35-42, [9] A. Unsal, A. Cepe,. Estimation of the probability of failures in a power distribution line by using regression analysis. Energy Education Science and Technology Part A, 29:(1), 41-50, april 2012 [10] Okan Ozgonenel, Dave Thomas, Short Term Wind Speed Estimation Based on Weather Data, Turkish Journal of Electrical Engineering and Computer Sciences (TUBITAK), , 20 (3) (2012) [11] Gong, L. Jing, S. On comparing three artificial neural networks for wind speed forecasting. Applied Energy, National University, Singapur, , Nisan [12] Ghanbarzadeh A, Noghrehabadi R,A, Behrang A,M. Wind speed prediction based on simple meteorological data using artificial neural network. Industrial Informatics, INDIN th IEEE International Conference on, cardiff-wales, ,23-26 June 2009