Hydroelectric power stations (HPS) have a randomly flow discharges. Therefore it is not possible to storage and arrangement to flow in HPS. Under such circumstance, determining the project discharge will become more of an issue. Despite the head which depend on topography, can be determined more easy than, the flows which are used for determining the power of HPS. To determine discharge for locations with non-existing or incomplete/inadequate measured flow data, this flow can be analyzed using neighbor creek in same basin. For that reason, flow duration curve of the neighbor creek should be drawn and analyzed. In consequence flow duration curves which will be prepared in this approach, will become more of an issue.In this study, flows which are essential for determining the flow duration curves were estimated. For this estimation model, the rainfall data sets are obtained from rainfall observation station which is nearby Turnagöl Creek which is study area. Flow data are obtained from Değirmendere Creek which is close to study are in same basin. This data sets are used in artificial neural (ANN) and multiple linear regression analysis (MLR), so that the estimated data are compared to each other for determining the model which has the best result. During the study, flow data which are measured for a one year in Turnagöl Creek. This data set is also added to Değirmendere flow data set. The best result of the model is evaluated using determination coefficient (R2) which is 0,9718 , converge to 1. For this consequence, ANN model outputs are better than MLR and ANN can be used for flow estimation.By means of this model, it is thought that, HPS can be operated optimum and taking advantage to make more effective power generated plans with forecasting of flows before two days.Key Words: Flow Discharge, Hydroelectric Power Station, Artificial Neural Network, Multiply Linear Regression Analysis, Turnagöl Creek.

Doğal akışlı hidroelektrik santrallerde (HES) akarsuda depolama, dolayısıyla düzenleme olmadığı için var olan akım değerlerinde rastgelelik mevcuttur. Bu durumda proje debisinin belirlenmesi önem kazanmaktadır. Doğal akışlı hidroelektrik santralin tesis edileceği yerde düşü topografyaya bağlı olup, kolaylıkla belirlenebilirken, akım ölçüm değerleri olmayan veya eksik/yetersiz olan yerlerdeki doğal akışlı hidroelektrik santrallerin kurulu gücünün belirlenmesinde kullanılacak olan debinin seçimi ve tespitin de güçlüklerle karşılaşılmaktadır. Bunun belirlenebilmesi için aynı havza içerisindeki komşu dereden yararlanılabilmektedir. Bu amaçla komşu dereye ait debi süreklilik çizgisi çizilerek analiz edilmelidir. Dolayısıyla bu yaklaşım içinde hazırlanacak debi süreklilik çizgileri çok daha büyük önem kazanmaktadır.Bu çalışmada akım ölçümü yapılmayan derelerde debi süreklilik çizgisinin elde edilebilmesi için gerekli olan debilerin tahmini yapılmıştır. Tahmin modeli için, çalışma sahası olarak seçilen Turnagöl Deresine yakın mesafelerdeki yağış gözlem istasyonlarından alınan yağış verileri ile aynı havza içerisindeki komşu dere olan Değirmendere'ye ait akım verileri temin edilmiştir. Bu veriler çeşitli senaryolar altında yapay sinir ağları (YSA) ve çoklu regresyon analizi (ÇRA)'ne tabi tutularak elde edilen sonuçlar kıyaslanmış ve en iyi sonucu veren model belirlenmiştir. Tez süresince Turnagöl Deresinde yapılmış olan ölçümler neticesinde elde edilen bir su yılına ait akım verileri ile Değirmendere'ye ait akım verileri modele dahil edilmiştir. Bulunan 0,9718 mertebesindeki determinasyon katsayısı (R2) 1'e yakınsadığından en iyi model olarak seçilmiştir. Ortaya konulan bu sonuç ışığında YSA'nın ÇRA'ne göre daha iyi sonuçlar verdiği ve debi tahmin modeli olarak YSA'larının kullanılabileceği düşünülmektedir.Bu model sayesinde, 2 gün öncesinden debi tayini yapılarak HES' in optimum çalışmasına ve daha verimli bir enerji üretim planı yapılmasına fayda sağlayacağı düşünülmektedir.Anahtar Kelimeler: Debi, Hidroelektrik Santral, Yapay Sinir Ağları, Çoklu Regresyon Analizi, Turnagöl Deresi.