Rüzgar hız dağılımı modelinin Yusufcuk algoritması ile parametre tahminlemesi

Artan enerji ihtiyacını karşılamak ve çevresel problemlerin çözümü için yenilenebilir enerji kaynaklarına olan ilgi, teknoloji geliştirme çalışmaları ve ekonomik yatırımlarla devam etmektedir. Sürdürülebilir ve yenilenebilir enerji kaynaklarının tespit edilmesi ve tahminlemesinde çeşitli yöntemler kullanılmaktadır. Yenilenebilir bir enerji olan rüzgâr enerjisinin potansiyel hesabı ve rüzgar karakterizasyonunda olasılık dağılım fonksiyonlarından faydalanılmaktadır. Düşük hızlı bölgelerde rüzgar karakterizasyonunda klasik yöntemlerle parametre elde edilerek ortaya konan modellerin gerçek rüzgar hız dağılımları ile uyum zayıflığı bilinen bir durumdur. Bu çalışmada Weibull olasılık dağılım fonksiyonu (Wodf) ile rüzgar hız modellemesinde, klasik yöntemlerin hız dağılımlarındaki uyum zayıflığını gidermek için, dağılım parametrelerini tahmin etmek üzere Yusufçuk Algoritması (YA) önerilmiştir. Önerilen yöntemin performansı, klasik yöntemlerden moment yöntemi (MY) ve en küçük kareler yöntemi (EKKY) ile karşılaştırılarak değerlendirilmiştir. Bu parametre tahmin yöntemlerinin performansını değerlendirmek için belirlilik (Determinasyon) katsayısı (R2) ve hata kareleri ortalaması karekökü (HKOK) kullanılmıştır. Çalışmada 6 ölçüm istasyonundan elde edilen veriler kullanılmıştır. Sonuçlar göstermektedir ki, seçilen bütün istasyonlarda YA yöntemi determinasyon katsayısı (R2) ölçütüne göre en iyi performansı verirken, HKOK ölçütüne göre 2 istasyonda en iyi performansı sağlamaktadır. Ayrıca YA yönteminin, LSM yöntemine göre bütün istasyonlarda gerçeğe daha yakın sonuçlar verdiği görülmüştür.

Anahtar Kelimeler:

Weibull dağılımı parametreleri, yusufçuk algoritması, rüzgâr enerjisi potansiyeli, tahminleme.

PDF

___

[1] H. Jiang, J. Wang, J. Wu, and W. Geng, “Comparison of numerical methods and metaheuristic optimization algorithms for estimating parameters for wind energy potential assessment in low wind regions,” Renew. Sustain. Energy Rev., vol. 69, no. December 2016, pp. 1199–1217, 2017, doi: 10.1016/j.rser.2016.11.241.
[2] B. KÖSE and M. T. GUNESER, “Assessment of Wind Characteristics and Wind Energy Potential in West Black Sea Region of Turkey,” Eskişehir Tech. Univ. J. Sci. Technol. A - Appl. Sci. Eng., vol. 20, no. 3, pp. 227–237, 2019, doi: 10.18038/estubtda.624359.
[3] https://enerji.gov.tr/eigm-raporlari. (erişim:2 Mart 2021)
[4] C. Freitas de Andrade, L. Ferreira dos Santos, M. V. Silveira Macedo, P. A. Costa Rocha, and F. Ferreira Gomes, “Four heuristic optimization algorithms applied to wind energy: determination of Weibull curve parameters for three Brazilian sites,” Int. J. Energy Environ. Eng., vol. 10, no. 1, 2019, doi: 10.1007/s40095-018-0285-5.
[5] M. Alzubaidi, K. N. Hasan, and L. Meegahapola, “Identification of Suitable Probability Density Function for Wind Speed Profiles in Power System Studies,” 2020 Australas. Univ. Power Eng. Conf. AUPEC 2020 - Proc., 2020.
[6] Carta, JA., Ramirez, P., Valazquez, S., (2009). A review of wind speed probability distributions used in wind energy analysis case studies in the Canary Islands. Renewable and Sustainable Energy Reviews, vol.13, p. 933-955, DOI:10.1016/j.rser.2008.05.005.
[7] B. Kose, M. Duz, M. T. Guneser, and Z. Recebli, “Estimating Wind Energy Potential With Predicting Burr Lsm Parameters: a Different Approach,” Sigma J. Eng. Nat. Sci. Muhendis. Ve Fen Bilim. Derg., vol. 36, no. 2, pp. 389–404, 2018.
[8] R. Özkan, F. Sen, and S. Balli, “Evaluation of wind loads and the potential of Turkey ’ s south west region by using log - normal and gamma distributions,” vol. 4, pp. 299–309, 2020.
[9] Akdağ SA, Dinler A. A new method to estimate Weibull parameters for wind energy applications. Energy Convers Manage 2009;50(7):1761–6.
[10] M. Alrashidi, M. Pipattanasomporn, and S. Rahman, “Metaheuristic optimization algorithms to estimate statistical distribution parameters for characterizing wind speeds,” Renew. Energy, vol. 149, pp. 664–681, 2020, doi: 10.1016/j.renene.2019.12.048.
[11] S. Osama, A. Darwish, E. H. Houssein, A. E. Hassanien, A. A. Fahmy, and A. Mahrous, “Long-term wind speed prediction based on optimized support vector regression,” 2017 IEEE 8th Int. Conf. Intell. Comput. Inf. Syst. ICICIS 2017, vol. 2018-Janua, no. December, pp. 191–196, 2017, doi: 10.1109/INTELCIS.2017.8260035.
[12] C. Liu and Y. Wang, “Grey Wolf algorithm based on S-function and particle swarm optimization,” J. Phys. Conf. Ser., vol. 1453, no. 1, 2020, doi: 10.1088/1742-6596/1453/1/012021.
[13] C. M. Rahman and T. A. Rashid, “A survey on dragonfly algorithm and its applications in engineering,” arXiv, no. March, 2020, doi: 10.36227/techrxiv.11811768.v1.
[14] Seguro JV, Lambert TW. Modern estimation of the parameters of the Weibull wind speed distribution for wind energy analysis. J Wind Eng Ind Aerodyn 2000;85(1): 75–84. [12].
[15] J. A. Guarienti, A. Kaufmann Almeida, A. Menegati Neto, A. R. de Oliveira Ferreira, J. P. Ottonelli, and I. Kaufmann de Almeida, “Performance analysis of numerical methods for determining Weibull distribution parameters applied to wind speed in Mato Grosso do Sul, Brazil,” Sustain. Energy Technol. Assessments, vol. 42, no. October, 2020, doi: 10.1016/j.seta.2020.100854
[16] D. Kang, K. Ko, and J. Huh, “Comparative study of different methods for estimatingweibull parameters: A case study on Jeju Island, South Korea,” Energies, vol. 11, no. 2, 2018, doi: 10.3390/en11020356.
[17] F. Bingöl, “Comparison of Weibull Estimation Methods for Diverse Winds,” Adv. Meteorol., vol. 2020, no. 1, 2020, doi: 10.1155/2020/3638423.
[18] S. Mirjalili, “Dragonfly algorithm : a new meta-heuristic optimization technique for solving single-objective , discrete , and multi-objective problems,” Neural Comput. Appl., vol. 27, no. 4, pp. 1053–1073, 2016, doi: 10.1007/s00521-015-1920-1.
[19] C. M. Rahman and T. A. Rashid, “Dragonfly algorithm and its applications in applied science survey,” Comput. Intell. Neurosci., vol. 2019, 2019, doi: 10.1155/2019/9293617.