Rüzgâr hızının istatistiksel modellenmesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: Türkçe

Öğrenci: TUĞBA NİKSARLI

Danışman: BİRDAL ŞENOĞLU

Özet:

Yenilenebilir enerji kaynaklarından biri olan rüzgâr enerjisinin doğru bir şekilde modellenmesi, rüzgâr türbininin kurulacağı yerin seçiminde uygun dağılımı belirlerken önem arz etmektedir. Weibull dağılımı literatürde rüzgar hızını modellemek için en yaygın olarak kullanılan dağılımdır. Ancak, bu dağılım doğada karşılaşılan tüm rüzgâr karakteristiklerini uygun şekilde modellemeyebilir. Bu araştırma kapsamında farklı rüzgâr karakteristiklerini modellemek için, Weibull dağılımına alternatif olarak Burr III, IW, GL, PL, GIL, WL ve NWL dağılımlarının da kullanılması önerilmiştir. Bu çalışmada, Balıkesir/Bandırma, Bodrum/Turgutreis, İzmir/Karaburun, İzmir/Seferihisar, Afyon/Sandıklı ve Çanakkale/Gelibolu’ya ait 2015 yılı rüzgâr hızı verileri kullanılmıştır. Bu istasyonlardan elde edilen rüzgâr hızı verileri önerilen dağılımlar kullanılarak modellenmiştir. Bu dağılımların bilinmeyen parametrelerini tahmin etmek için ML yöntemi kullanılmıştır. Rüzgâr hızını modellerken en uygun dağılımı belirlemek için RMSE ve R2 kriterlerine başvurulmuştur. Correct modelling of wind energy, one of the renewable energy sources, is important in determining the appropriate distribution in the selection of the location of the wind turbine. The Weibull distribution is the most widely used distribution for modelling the wind speed in literature. However, this distribution may not model all the wind characteristics encountered in nature appropriately. In order to model different wind characteristics, Burr III, IW, GL, PL, GIL, WL and NWL distributions have been proposed as an alternative to Weibull distribution. In this study, 2015 wind speed data of Balıkesir / Bandırma, Bodrum / Turgutreis, Izmir / Karaburun, İzmir / Seferihisar, Afyon / Sandıklı and Çanakkale / Gelibolu were used. Wind speed data obtained from these stations were modeled using the proposed distributions. The ML method was used to estimate the unknown parameters of these distributions. The RMSE and R2 criteria are used to determine the optimal distribution for modelling wind speed.