Kastamonu İlinin Rüzgar Enerjisi Potansiyelinin Yapay Sinir Ağları (YSA) ile Tahmin Edilmesi Ünal Kaya 1 Murat Caner 2 Yüksel Oğuz 3 1 Kastamonu Üniversitesi, Cide Rıfat Ilgaz Meslek Yüksekokulu, Elektronik ve Otomasyon Bölümü 2,3 Afyon Kocatepe Üniversitesi, Teknoloji Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü 1 ukaya@kastamonu.edu.tr 2 mcaner@aku.edu.tr 3 yukseloguz@aku.edu.tr Özet Bu çalışmada, Kastamonu ili rüzgar enerjisine ait meteorolojik verilerin çeşitli rüzgar türbin tipleri kullanıldığında üretilebilecek enerji miktarı Yapay Sinir Ağları (YSA) yöntemiyle tahmin edilmiştir. Nordex 50, Vestas V66, Neg Micon 1000/60, Bonus 2MW, Vestas V90 ve Power Wind 90 tipi türbinlerin rüzgar hızına göre üretim kapasitesi grafiklerinden alınan veriler eğitim aşamasında kullanılmıştır. Kastamonu ya ait 2015 yılı rüzgar hızı verileri meteoroloji genel müdürlüğünden alınarak test aşamasında kullanılmıştır. Tahmin sonuçlarına göre Kastamonu nun rüzgar potansiyelinin oldukça iyi olduğu ve kaliteli türbinlerle yüksek kapasiteli enerji üretiminin sağlanabileceği görülmüştür. 1. Giriş Enerji, insanlığın varoluşundan bugüne kadar hayatın vazgeçilmez bir unsuru olmuştur. Özellikle elektrik enerjisine olan ihtiyaç sanayi ve teknolojinin gelişmesiyle daha da artmıştır. Artan enerji talepleri ülkemizde mevcut olan bazı enerji kaynaklarının kullanılması yönünde bir gereksinim oluşturmuştur. Ülkemizde büyük bir kısmı ithalat yolu ile sağlanan elektrik enerjisinin üretimi giderek daha da önem kazanmıştır. Yeryüzünde doğal enerji kaynakları hızla tükenmektedir. Bu durumdan dolayı toplumlar, doğal enerji kaynakları yerine daha ucuz ve çevreyi kirletmeyen özelliklerdeki yenilenebilir enerji kaynakları üzerinde çalışmalarını yoğunlaştırmışlardır [1]. Türkiye'nin coğrafi yapısı yenilenebilir enerji kaynaklarının kullanımı açısından avantajlı bir konumdadır. Hem çevre kirliliği hem de sürdürülebilir bir kalkınma için enerji tüketiminde yenilenebilir enerji kaynaklarının payının hızla arttırılması kaçınılmazdır [2]. Çevreyi kirleten ve tüketilmesi kaçınılmaz olan birincil enerji kaynaklarının yerini alabilecek, çevre kirliliği meydana getirmeyen, yeni ve yenilenebilir enerji kaynakları güneş, rüzgar, biyokütle ve hidrojen enerjisi, jeotermal ve hidrolik enerji, deniz kökenli enerjiler başlıkları altında incelenebilir [3]. Bunlardan en avantajlısı olan rüzgarın günümüzde daha da popüler olduğu görülmektedir. Rüzgar santralleri kurulurken mevcut olan kaynağın daha verimli kullanılması için santrallerin kurulduğu yerler önemlidir. Rüzgar verimi yüksek olan yerleri tespit etmek rüzgar santrallerinin verimini yükseltecektir. Bu çalışmada Kastamonu il merkezinin rüzgar hız verileri kullanılarak belirlenen altı adet türbin tipi ile üretilecek toplam enerji tahmin çalışması yapılmıştır. Türbin tiplerinin rüzgar hızına göre enerji üretim değerleri YSA ile modellenmiştir. Bu bağlamda Kastamonu ilinde yapılacak rüzgar enerji sistemleri yatırımlarına yön verilmesi amaçlanmıştır. Kastamonu için bu tür yatırımların önemli kalkınmaya sebep olacağı düşünülmüştür. 2. Yapay Sinir Ağları İnsanlığın doğayı araştırma ve taklit etme çabalarının en son ürünlerinden bir tanesi YSA teknolojisidir. YSA lar basit biyolojik sinir sisteminin çalışma şeklini simule ederek modelleme ve tahmin amacıyla kullanılan bir algoritmadır.. Simule edilen sinir hücreleri nöronlar içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Diğer bir ifadeyle, YSA, normalde bir insanın düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bir insanın, düşünme ve 153
gözlemleme yetenekleri gerektiren problemlere yönelik çözümler üretebilmesinin temel sebebi ise insan beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme yeteneğidir [5]. YSA, insan beynindeki nöron olarak isimlendirilen bir çok sinir hücresinden oluşan biyolojik sinir ağlarının çalışma mekanizmasından esinlenerek geliştirilmiş, beynin temel özelliklerini modellemeye çalışarak verileri işleyecek şekilde tasarlanan sistemlerdir. Elektronik devrelerden oluşan yapılarla ya da bilgisayar yazılımları ile benzetimi yapılarak uygulanan YSA; beynin bilgi işleme yöntemine uygun olarak bir öğrenme sürecinden sonra, bilgiyi toplama, hücreler arasındaki bağlantı ağırlıkları ile bu bilgiyi saklama ve genelleme yeteneğine sahip paralel dağılmış bir işlemcidir [5]. Örneklerden elde ettikleri bilgiler ile kendi deneyimlerini oluşturur ve daha sonra benzer konularda benzer kararlan verirler [6]. Literatürde 100'den fazla YSA modeli vardır. Bazı bilim adamları, beynimizin güçlü düşünme, hatırlama ve problem çözme yeteneklerini bilgisayara aktarmaya çalışmışlardır. Bazı araştırmacılar ise, beynin fonksiyonlarını kısmen yerine getiren birçok modelleri oluşturmaya çalışmışlardır [7]. YSA da özellikle eksik, belirsiz, karmaşık ve bulanık bilgileri işlemekteki başarıları nedeniyle, birçok endüstriyel probleme uygulanabilmektedir. Yapılardaki paralellikten dolayı çok hızlı çalışabilmeleri, onların özellikle gerçek zamanlı olaylarda çalışmalarını sağlamaktadır [8]. Sinir hücreleri bir grup halinde işlev gördüklerinde ağ (network) olarak adlandırılırlar ve böyle bir grupta binlerce nöron bulunur. Yapay nöronların birbirleriyle bağlantılar aracılığıyla bir araya gelmeleri YSA yı oluşturmaktadır. YSA aslında biyolojik sinir ağının bir modeli oluşturulmak istenmektedir [9]. 3. YSA İle Kastamonu İlinin Rüzgar Enerji Potansiyelinin Tahmini Yapay sinir ağları ile Kastamonu ilinin rüzgar enerji üretim kapasitesinin tahmini yapılırken altı adet rüzgar türbinin bazı rüzgar hızlarına verdiği güç cevabı ile YSA modeli eğitilmiştir. Nordex 50, Vestas V66, Neg Micon 1000/60, Bonus 2MW, Vestas V90, Power Wind 90 tipi rüzgar türbinlerinde 0-26 m/s arası rüzgar hızlarına verdikleri güç cevapları grafiksel olarak Şekil 1 de görülmektedir. Seçilen türbinlere ait grafiklerden eğitim aşamasında kullanılacak değerler elde edilmiş ve toplu bir şekilde Tablo 1 de gösterilmiştir. YSA modeli tasarımı ve eğitimi için Matlab nntool arayüzü kullanılmıştır. İleri beslemeli YSA yapısında rüzgar hızı giriş, 6 adet türbin tipi gücü ise çıkış olarak kullanılmıştır. Eğitim aşamasında öğrenme algoritması olarak ise adaptif öğrenme oranlı hatanın geriye yayılarak azaltılması (Gardient Descent Backpropagation with Adaptive Learning Rate) seçilmiştir. Tablo 2: YSA modeli için eğitim verileri (Giriş ve çıkışlar) GİRİŞ RÜZGAR HIZI ( m/sn) ÇIKIŞ GÜCÜ (kw) NORDE X N50 NEG MİCON 1000/60 VESTAS V66 BONUS 2MW POWER VESTAS WİND 90 V90 1 0 0 0 0 0 0 2 0 0 0 0 0 0 3 0 0 0 0 0 0 4 50 50 50 50 50 50 5 70 80 90 100 100 110 6 100 120 170 200 300 300 7 200 220 250 400 570 570 8 250 300 470 600 900 900 9 370 510 570 800 1250 1270 10 490 600 800 1190 1670 1700 11 600 810 1100 1400 2100 2150 12 700 900 1250 1750 2300 2520 13 780 980 1470 1890 2500 2800 14 800 1050 1520 2000 2500 3000 15 780 1000 1680 2000 2500 3000 16 750 1000 1680 2000 2500 3000 17 760 1000 1680 2000 2500 3000 18 750 1000 1680 2000 2500 3000 19 750 1000 1680 2000 2500 3000 20 750 1000 1680 2000 2500 3000 21 750 1000 1680 2000 2500 3000 22 750 1000 1680 2000 2500 3000 23 750 1000 1680 2000 2500 3000 24 750 1000 1680 2000 2500 3000 25 750 1000 1680 2000 2500 3000 26 750 1000 1680 2000 2500 3000 Şekil 13: Seçilen rüzgar türbinleri için güç eğrileri [10] 154
Yapılan eğitimde durma kriteri olarak 1000 iterasyon, 0 hata 1e-5 gradient değeri ve 1000 doğrulama (validation) hata sayısı kullanılmıştır. Eğitimi 4 s sürede 1000 iterasyona ulaşarak durmuştur. Dividerand fonksiyonu ise eğitim verilerini randomize şekilde %70, %15 ve %15 olarak kendi içinde eğitim doğrulama ve test olarak ayırmıştır. Performans fonksiyonu olarak ortalama karesel hata mse kullanılmıştır. Kullanılan Matlab YSA arayüzü ve eğitim verileri toplu olarak Şekil 2 de gösterilmiştir. Şekil 15: Eğitim, doğrulama ve test verilerine ait eğitim aşamasındaki performans fonksiyonunun değişimleri Şekil 14: Kullanılan Matlab YSA arayüzü ve eğitim verileri Eğitim, doğrulama ve test verilerine ait eğitim aşamasındaki performans fonksiyonunun değişimleri Şekil 3 te, gradyent değeri, doğrulama hatası ve öğrenme oranı değişimleri ise Şekil 4 te verilmiştir. Doğrulama hatasının yüksek seçilmesi modelde ezberlemeye yol açmasına neden olmaktadır. Şekil 16: Gradyent değeri, doğrulama hatası ve öğrenme oranı değişimleri Modelleme performansının gösterilmesi için gerçekte olması gereken çıkış ile YSA nın çıkışının karşılaştırması ise eğitim, doğrulama ve test verilerinin ve tüm datanın sonuçlarına ait regresyon eğrileri ise Şekil 5 te verilmiştir. Bu sonuçlara göre tüm veriler için regresyon 1 e yakın çıkmış yani YSA model çıkışı gerçek verilere çok yakın değerler almıştır. 155
Tablo 3: YSA modelinin çıkış verileri AYLAR NORDE X N50 NEG MİCON 1000/60 VESTA S V66 BONUS 2MW POWER WİND 90 VESTA S V90 OCAK 4,82288 26,98 4,19 5,52 25,63 1,31 ŞUBAT 779,736 1002,75 1628,99 1961,98 2471,83 2922,51 MART 588,064 781,21 1049,58 1449,0 8 2062,6 5 2164,17 NİSAN 749,608 987,28 1676,08 1999,58 2498,65 2978,43 MAYIS 766,576 1000,15 1679,06 1999,31 2488,42 2994,93 HAZİRAN 792,76 1000,21 1674,01 1992,22 2482,97 2978,64 TEMMUZ 789,552 999,99 1676,96 1996,48 2485,27 2987,04 AĞUSTO S 789,552 999,99 1676,96 1996,48 2485,27 2987,04 EYLÜL 746,424 990,91 1448,83 1869,54 2444,77 2779,83 EKİM 109,544 138,91 127,76 219,26 308,1 249,15 KASIM 4,96824 20,92 6,52 14,39 16,76 2,6308 Şekil 17: Eğitim, doğrulama ve test verilerinin ve tüm datanın sonuçlarına ait regresyon eğrileri Kastamonu il merkezinin 2015 yılına ait aylık ortalama rüzgar hızları olarak meteoroloji müdürlüğünden alınana veriler Tablo 2 de gösterilmiştir. Elde edilen YSA modelinde Kastamonu il merkezi rüzgâr verileri giriş değeri olarak kullanılarak 6 adet türbin için karşılık gelen çıkış gücü değerleri elde edilmiştir. Bu güç tahmin değerleri ise Tablo 3 te görülmektedir. Buna göre en başarılı olan türbin tipi verimi en iyi olan VESTAS V90 dır. Bu türbinin Kastamonu da kullanılması taktirde 1921 MW enerji üretilebilir. Tablo 2: YSA modelinin giriş verileri AYLAR 2015 OCAK 4,5 ŞUBAT 6,9 MART 6,2 NİSAN 8,8 MAYIS 7,6 HAZİRAN 7,2 TEMMUZ 7,4 AĞUSTOS 7,4 EYLÜL 6,5 EKİM 5,3 KASIM 4,6 ARALIK 5 ARALIK 10,8144 28,62 17,43 49,31 26,5 11,99 Sonuç ve Öneriler Bu çalışmadaki temel amaç YSA kullanarak en küçük hata ile Kastamonu ilinin rüzgar enerjisi potansiyelini belirlemektir. Yapılan YSA modelinde altı adet türbin türlerinin 0 m/s den 26 m/s ye kadar çıkış güçleri kullanılmıştır. Bu modele Kastamonu ilinin rüzgar hızları girilerek potansiyel görülmek istenmiştir. Bu modelin cevabına göre Kastamonu ilinin rüzgar potansiyeli enerji üretimine elverişli olduğu görülmektedir. Repa dan alınan bilgiye göre de bu verimliliğin uygun değerlerde olduğu görülmüştür. Altı adet türbinin her birinin avantaj ve dezavantajları vardır. Bunlardan en önemlisi de maliyettir. Bu çalışmadan yola çıkarak rüzgar türbinlerinin maliyet analizleri ve fizibilite çalışmaları yapılabilir. KAYNAKlAR [1] Turgut, E., Selçuk, K., Elektrik Enerjisi Üretimi iletimi ve Dağılımı, Detay Yayıncılık, Ankara 2011 [2] Önal, E. Yarbay, R.Z., Türkiye de Yenilenebilir Enerji Kaynakları Potansiyeli ve Geleceği, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Yıl: 9 Sayı: 18 Güz 2010 s. 77-96 [3] Oktit, Ş., Fotovoltaik Güneş Pilleri ve Güç Sistemleri Dünü, Bugünü, Yarını, Türkiye de 8. Enerji Kongresi, Yeni ve Yenilenebilir Enerji Kaynaklarının Gelişimi, Cilt II, Ankara, 47-62. (2000), [4] Yurtoğlu, H., Yapay Sinir Ağlan Metodolojisi ile Öngörü Modellemesi, Yıldız Teknik Üniversitesi Sosyal Bilimler Enstitüsü Uzmanlık Tezi, 2006. 156
[5] Sağıroğlu, Ş., Yapay Sinir Ağları ve Mühendislik Uygulamaları semineri, Erciyes Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği. Erciyes, 2001. [6] Öztemel, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 2003. [7] Elmas, Ç., Yapay Sinir Ağları,, Seçkin Yayınevi, Ankara, 2003. [8] Bayır, R., Yapay Zeka Teknikleri Dersi Ders Notları. Karabük Üniversitesi Elektronik ve Bilgisayar Eğitimi bölümü, 2008. [9] Saraç, T., Yapay Sinir Ağlan Seminer Projesi, Gazi Üniversitesi Endüstri Mühendisliği Bölümü, Ankara, 2004. [10] Boudia, SM., Guerri Q., Investigation of wind power potential at Oran, northwest of Algeria, Energy Conversion and Management, 105, 81-92, 2015. 157