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

(1)

120

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

Hasan Hüseyin BİLGİÇ

¹

İlker MERT

2*

Cuma KARAKUŞ

³

Ahmet YAPICI

⁴

1,3,4

İskenderun Teknik Üniversitesi, Makine Fakültesi, Makine Mühendisliği, İskenderun, HATAY

2

İskenderun Teknik Üniversitesi, Denizcilik Meslek Yüksekokulu, İskenderun, HATAY

1bilgichh@gmail.com²ilkermert@dr.com*³ckarakus@dr.com³ayapici@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 (R²), 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.

1. 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 CO2 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 [1-4].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[5].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 [6]. 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 (R²), 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.

2. Materyal ve Metot

Yapılan çalışmada Hatay bölgesine ait bir yıllık meteorolojik verilerden maksimum (T_max), minimum (T_min) ve

(2)

121 ortalama(Tort) sıcaklık;sıcaklığa ait standart sapma (Tst), çarpıklık katsayısı (Tçarp) ve basıklık katsayısı(Tbas);

maksimum (Pmax), minimum (Pmin) ve ortalama basınç (Port);

basınca ait standart sapma (P_st), çarpıklık katsayısı (P_çarp)ve basıklık katsayısı (Pbas) olmak üzere oniki farklı bağımsız değişkenin bir yıl içerisindeki günlük değerleri kullanılarak 365’er adet girdi veri seti ile maksimum rüzgar hızı (Vmax), minimum rüzgar hızı (V_min) ve ortalama rüzgar hızı (V_ort) parametrelerinden oluşan hedef veri seti oluşturulmuştur. Bu veri setlerinden 255 tanesi eğitim kalan 110 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

2.1. 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 [10].

Şekil 1. Yapay bir nöronun yapısı [11]

Beş temel bileşenden oluşan nöron yapısında; X1, X2…Xn

giriş olarak tanımlanan ve dış ortamdan veya diğer hücrelerden gelen bilgilerdir. w1, w2…wn 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 1’de ilgili nörona dair işlemler görülmektedir.

𝑦 = 𝑓(∑^𝑛_𝑖=1𝑥_𝑖𝑤_𝑖+ 𝑏) (1)

Kullanılan ağ yapısı olarak ileri beslemeli geri yayılımlı ağ mimarisi tercih edilmiştir. Ağ yapısını ilişkin görsel şekil 2’de görülmektedir.

Şekil 2:Tahmin için geliştirilen ağ mimarisi [12]

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 2’de transfer fonksiyonuna ait eşitlik verilmiştir.

𝑓(𝑥) =_1+𝑒¹_−𝑥 (2)

2.2. 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.

0 1 1 1 2 ... _j _e

Y X X   X  (3) Denklemde Xbağımsız değişkenleri Y ise X’ e bağlı değişkeni göstermektedir.0 doğrunun y-eksenini kestiği yeri, 1

doğrunun eğimi veya regresyon katsayısını, βj’ nci açıklayıcı parametreyi ifade ederken  ise şansa bağlı hata değerini ifade etmektedir.

Burada₀ve _1-jdeğerleri 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 [13].

(3)

122

2 2

1 1 (1 )( )

adj

R R N

N k

   



⁽⁴⁾

Burada, Y_i,Y_obs,ve N sırasıyla tahmini değerleri, gözlem değerlerini, ve gözlem sayısını ifade etmektedir.Eşitlik 4 ile verilen,R² oldukça yararlı sonuçlar ortaya koyması nedeniyle hem regresyon hem de YSA aşamasında kullanılmıştır. Bunla beraber Eşitlik 5 ve 6 ile verilen ortalama mutlak hata (MAE) ve ortalama karesel hatanın karekökü (RMSE) değerleri nihai değerlendirmeleri elde etmek için ayrıca hesaplanmıştır.



₁



1 ^N

i obs

i

MAE Y Y

N 







⁽⁵⁾



₁



²

1 ^N

i obs

i

RMSE Y Y

N 







⁽⁶⁾

3. Araştırma Bulguları

Bu çalışmada Hatay bölgesine ait temel veriler olan maksimum (Tmax), minimum (Tmin) ve ortalama (Tort) sıcaklık;

maksimum (Pmax), minimum (Pmin) ve ortalama basınç (Port) ve ve bu verilerin yanında istatiksel veriler olan; sıcaklığa ait standart sapma (Tst), çarpıklık katsayısı (Tçarp) ve basıklık katsayısı(T_bas); basınca ait standart sapma (P_st), çarpıklık katsayısı (Pçarp)ve basıklık katsayısı (Pbas) olmak üzere 12 bağımsız değişken bağımlı değişkenler olan maksimum rüzgar hızı (Vmax), minimum rüzgar hızı (Vmin) ve ortalama rüzgar hızı (V_ort) parametrelerinin tahmini için kullanılmıştır. Tahmin yöntemi olarak YSA ve ÇLRM kullanılmıştır. Tahmini yapılacak herbir parametre için ayrı ayrı ÇLRM ve YSA modeli oluşturulmuştur.

Şekil 3. Vmax test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri

Şekil 4.Vmax test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması R² = 0,7683

0 1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_max YSA Test Verisi

R² = 0,698 0

1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_max ÇLRM Test Verisi

0 1 2 3 4 5 6 7 8

1 5 9 13 17 21 25 29

V (m/s)

Gün

Vmax Gözlem Vmax YSA Vmax ÇLRM

(4)

123 V_maxtahmini 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 20 nöron olarak seçilmiştir. 255 adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir.

Çoklu lineer regresyon modeli oluşturulurken 12 farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda Vmax üzerinde etkili parametreler Tmin, Tst, Tort, T_bas, P_max, P_çarpT_çarp olarak belirlenmiştir. V_max üzerinde etkili parametreler ve ağırlıkları Eşitlik 7 ile verilmiştir.

max min st ort bas

max çarp çarp

V =46.04-0.44*T -1.02*T +0.56*T -0.41*T -0.044*P -0.163*P +0.32*T ⁽⁷⁾ Modeller oluşturulduktan sonra test verileri ÇLRM ve YSA modeline girdirilmiş, sonuçlara ilişkin saçılma grafikleri ve

model sonuçlarının karşılaştırıldığı grafikler Şekil 3 ve 4’de gösterilmiştir. Tablo 1’de ise performans ölçütleri olan R², RMSE ve MAE değerleri verilmiştir.

Şekil 5. V_min test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri

Şekil6 Vmin test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması R² = 0,7408

0 1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_min YSA Test Verisi

R² = 0,5983 0

1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_min ÇLRM Test Verisi

-1 0 1 2 3 4 5

1 5 9 13 17 21 25 29

V (m/s)

Gün

Vmin Gözlem Vmin YSA Vmin ÇLRM

(5)

124 Vmintahmini 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 15 nöron olarak seçilmiştir. 255 adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir.

Çoklu lineer regresyon modeli oluşturulurken 12 farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda Vmin üzerinde etkili parametreler Tmin, Tmax, T_bas,P_çarp olarak belirlenmiştir. V_min üzerinde etkili parametreler ve ağırlıkları Eşitlik 8 ile verilmiştir.

min min max

bas çarp

V =0.1499+0.1995*T -0.112*T

-0.427*T -0.14*P ⁽⁸⁾

Modeller oluşturulduktan sonra test verileri ÇLRM ve YSA modeline girdirilmiş, sonuçlara ilişkin saçılma grafikleri ve model sonuçlarının karşılaştırıldığı grafikler Şekil 5 ve 6’de

gösterilmiştir. Tablo 1’de ise performans ölçütleri olan R², RMSE ve MAE değerleri verilmiştir.

Şekil 7 Vort test verisi için ÇLRM ve YSA modellerine ait saçılma grafikleri

Şekil 8 Vort test verisi için ölçülen ve tahmin edilen değerlerin karşılaştırması R² = 0,8369

0 1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_ort YSA Test Verisi

R² = 0,7492 0

1 2 3 4 5 6

0 2 4 6

Gözlem

Tahmin V_ortÇLRM Test Verisi

0 1 2 3 4 5 6

1 5 9 13 17 21 25 29

V (m/s)

Gün

Vort Gözlem Vort YSA Vort ÇLRM

(6)

125 Vorttahmini 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 20 nöron olarak seçilmiştir. 255 adet eğitim veri seti ile ağ eğitilmiş ve test verileri ağa girdirilmiştir.

Çoklu lineer regresyon modeli oluşturulurken 12 farklı bağımsız değişkenin çeşitli kombinasyonlarının denenmesi sonucunda Vort üzerinde etkili parametreler Tbas, Tst, Pçarp, P_max,T_ortolarak belirlenmiştir. V_ort üzerinde etkili parametreler ve ağırlıkları Eşitlik 9 ile verilmiştir.

ort bas st çarp

max ort

V =27.03 -0.465*T -0.494*T -0.193*P

-0.026*P +0.1122*T (9)

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 1’de ise performans ölçütleri olan R², RMSE ve MAE değerleri verilmiştir.

Tablo1.Parametre tahmini için ÇLRM veYSA performans ölçütleri

Parametre Metot/Girdi Kombinasyonu Model

RMSE R² MAE

Vmax

Levenberg-Marquardt YSA 12-20-1

Eğitim 0,729 0,773 0,54

Test 0,758 0,7683 0,58

T_min, T_st, T_ort, T_bas, P_max, P_çarpT_çarp ÇLRM 7-1

Eğitim 0,888 0,674 0,73

Test 0,865 0,698 0,715

V_min

Eğitim 0,549 0,7761 0,391

Test 0,65 0,7408 0,434

Tmin, Tmax, Tbas, Pçarp ÇLRM4-1

Eğitim 0,774 0,5538 0,607

Test 0,81 0,5983 0,666

V_ort

Eğitim 0,496 0,8649 0,37

Test 0,574 0,8369 0,417

Tbas, Tst, Pçarp, Pmax,Tort ÇLRM 5-1

Eğitim 0,722 0,7132 0,588

Test 0,712 0,7492 0,572

(7)

126

4. 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 (R²), 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 Vmax

üzerinde etkili parametreler T_min, T_st, T_ort, T_bas, Pmax, PçarpTçarp olarak, Vmin üzerinde etkili parametreler Tmin, Tmax, Tbas,Pçarp olarak, Vort

üzerinde etkili parametreler Tbas, Tst, Pçarp, Pmax,Tortolarak 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 VmaxVminve Vort için elde edilen 0,7683, 0,7408 ve 0,8369gibi R² değerlerinin tahmin aşısından kabul edilebilir düzeyde olduğu bulunmuştur.

Sonuç olarak ÇLRM süreci sonucunda sadece etkin olan parametrelere dayalı regresyon modelinin özellikle Vort

tahmininde başarılı olduğu öte yandan etkinliğine bakılmaksızın girdi verilerinin tamamı kullanılarak eğitilen YSA tarafından yapılan Vmax, Vmin ve Vort parametrelerin her üçüne ait tahminlerin ise ÇLRM’ne nazaran daha başarılı olduğu gözlenmiştir.

5. Kaynaklar

[1] Bulut, Y.M. andAçıkkalp, E.,“Rüzgar Enerjisi Potansiyelinin Hesaplanmasında Parametre Tahmin Yöntemlerinin İncelenmesi.”,Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 1(2), pp.49-54,2013.

[2] Atik, K., Deniz, E. and Yıldız, E.“Meteorolojik Verilerin Yapay Sinir Ağları İle Modellenmesi.”,KSU Journal of ScienceandEngineering, 10(1), 2007.

[3] Barbounis, T.G. andTheocharis, J.B.“A locallyrecurrentfuzzyneural network withapplicationtothewindspeedpredictionusingspatialco rrelation.”,Neurocomputing, 70(7), pp.1525-1542.

2007.

[4] Ramasamy, P.,Chandel, S.S. andYadav, A.K.“Windspeedprediction in themountainousregion of Indiausing an artificialneural network model.”,RenewableEnergy, 80, pp.338-347. (2015).

[5] Jursa, R. andRohrig, K.“Short-

termwindpowerforecastingusingevolutionaryalgorithmsf

ortheautomatedspecification of

artificialintelligencemodels.”. International Journal of Forecasting, 24(4), pp.694-709. 2008.

[6] Damousis, I.G.,Alexiadis, M.C., Theocharis, J.B.

andDokopoulos, P.S.“A fuzzy model

forwindspeedpredictionandpowergeneration in windparksusingspatialcorrelation.”,Energy Conversion, IEEE Transactions on, 19(2), pp.352-361.2004.

[7] Kolsan, O.,Ozgonenel, O., Ozdemir, M. and Karaca, S.

“A newwindpowermeasurementalgorithm: A

samplecalculationfor OMU-

Dedebuzagihill.”,InSignalProcessingand

Communications Applications Conference (SIU),. 20th (pp. 1-4). IEEE.2012.

[8] Mert, I.,and Arat, H. T., "Prediction of heat transfer coefficientsby ANN foraluminum&steelmaterial."

International Journal5.2: 2305-1493.2014.

[9] Sarve, Shriram, A.,Sonawane, S. and Varma, M.

N."UltrasoundassistedbiodieselproductionfromSesame (Sesamumindicum L.) oilusingBariumhydroxide as a heterogeneouscatalyst: Comparativeassessment of predictionabilitiesbetweenResponsesurfacemethodology

(RSM) andArtificialneural network

(ANN)."UltrasonicsSonochemistry 2015.

[10] Zhang, G.,Patuwo, B.E. ve Hu, M.Y.,

“Forecastingwithartificialneuralnetworks: thestate of the art”, Int. Journal of Forecasting, 14, 35-62.1998.

[11] Kalogirou, S. A., "Applications of artificialneuralnetworks in energysystems." Energy Conversion and Management 40.10: 1073-1087. 1999.

[12] Mert, İlker, Cuma Karakuş, and Fatih Üneş.

"Estimatingtheenergyproduction of thewindturbineusingartificialneural network."Neural Computing and Applications: 1-14. 2015.

Eriksson L.,Johansson E., Kettaneh-Wold N. AndWold S. “Multi-andmegavariate data analysis: part 1 principlesandapplications,” 2th edn. Umetrics, Sweden, p 60, 2001.