Təklif olunan hibrid külək sürəti proqnoz modeli, bir saat sonrakı külək sürətini proqnozlaşdırmaq üçün Random Forest Regression (RFR), Artificial Neural Network (ANN) və Support Vector Regression (SVR) modellərinin proqnozlarını Linear Regression (LR) meta-modeli ilə birləşdirən stacking əsaslı maşın öyrənməsi çərçivəsidir. Tədqiqat Səudiyyə Ərəbistanındakı Damat Al-Jandal, Taif, Abha, East Coast və Red Sea olmaqla beş quruda və dənizdə yerləşən külək bölgəsində 2023-cü ilin saatlıq meteoroloji məlumatlarından istifadə etmişdir. Hibrid model beş məkanın dördündə ANN, SVR, RFR və persistence müqayisələrinə görə ən güclü ümumi test performansını göstərmiş; ən yüksək test \(R^2\) dəyəri Abha-da 0,953 olmuşdur. Lakin East Coast-da sadə persistence modeli \(R^2=0.963\) ilə hibrid modelin \(R^2=0.917\) nəticəsindən daha yaxşı performans göstərmişdir. Tədqiqatın mühüm şərh sərhədi birbaşa turbin elektrik gücünü və ya şəbəkə çıxışını proqnozlaşdırmaması; hədəf dəyişənin yalnız bir saat irəli külək sürəti olmasıdır.

Model meteoroloji dəyişənlərlə yanaşı saat, gün, ay və külək istiqaməti kimi periodik girişlərin dövri quruluşunu qorumaq üçün sinus və kosinus əsaslı Cyclical Temporal Encoding (CTE) istifadə edir. CTE olmadan hibrid model üçün \(R^2=0.948\), RMSE=0,96 m/s və MAE=0,67 m/s bildirildiyi halda, CTE ilə \(R^2=0.962\), RMSE=0,88 m/s və MAE=0,61 m/s əldə edilmişdir.

Hibrid modelin beş sahədəki test Mean Bias Error (MBE) dəyərləri −0,006 ilə 0,152 m/s arasında, Relative Root Mean Square Error (RRMSE) dəyərləri isə %8,731 ilə %14,710 arasındadır. Bu dəyərlər tədqiqatda istifadə olunan əməliyyat qiymətləndirmə hədləri daxilində qalır. Bununla belə, performans məkana görə əhəmiyyətli dərəcədə dəyişir və East Coast nümunəsi sadə zaman persistence quruluşunun bəzi qısamüddətli külək sıralarında mürəkkəb hibrid modeldən üstün ola biləcəyini göstərir.

Tədqiqatın əsas problemi

Külək enerjisinin şəbəkəyə inteqrasiyasında əsas çətinliklərdən biri külək sürətinin zaman və meteoroloji şəraitdən asılı olaraq dəyişməsidir. Külək sürətinin qısamüddətli proqnoz səhvləri istehsal planlaşdırması, ehtiyat tələbi, iqtisadi dispatch və şəbəkə balanslaşdırması kimi əməliyyat qərarlarına təsir göstərə bilər. Buna görə tədqiqat xüsusilə yüksək külək potensialına malik, lakin meteoroloji şəraiti bir-birindən fərqli sahələrdə vahid proqnoz yanaşmasının nə dərəcədə ümumiləşdirilə bildiyini araşdırır.

Tədqiqatçılar yalnız bir maşın öyrənməsi alqoritminə güvənmək əvəzinə müxtəlif model ailələrinin tamamlayıcı xüsusiyyətlərini bir araya gətirməyi məqsəd qoymuşlar. RFR qərar ağaclarının ansambl quruluşu ilə qeyri-xətti dəyişən qarşılıqlı təsirlərini öyrənə bilər. ANN çoxqatlı qeyri-xətti təmsil yarada bilər. SVR isə RBF nüvəsi ilə yüksəkölçülü xüsusiyyət fəzasında requlyarlaşdırılmış reqressiya qurur. LR meta-modeli bu üç modelin yaratdığı aralıq proqnozları birləşdirərək yekun proqnozu formalaşdırır.

Araşdırılan beş külək bölgəsi

Bu seçim vahid meteoroloji mühit əvəzinə düz şimal bölgələrini, yüksək dağlıq sahələri və dəniz sahili atmosferlərini birlikdə qiymətləndirməyə imkan verir. Bu müxtəliflik modelin ümumiləşdirilməsi baxımından xüsusilə vacibdir; çünki eyni meteoroloji dəyişənin proqnoza töhfəsi hər sahədə eyni deyil.

Meteoroloji məlumat quruluşu

Tədqiqat NASA POWER məlumat mənbəyindən 1 yanvar 2023 ilə 31 dekabr 2023 arasındakı saatlıq meteoroloji məlumatlardan istifadə etmişdir. Mənbə hər illik sıra üçün 8760 saatlıq müşahidə və ümumilikdə 10 dəyişən müəyyən edir.

Bir saat irəli proqnoz hədəfi necə yaradıldı?

Mənbə külək sürəti dəyişənini bir zaman addımı irəli sürüşdürmüşdür. Beləliklə, modelin gördüyü meteoroloji girişlər \(t\) anına aid olduğu halda hədəf dəyişən:

\[ wspd_{\mathrm{target}}(t)=wspd(t+1) \]

olmuşdur. Məlumatın zaman ayırdetməsi saatlıq olduğu üçün bu quruluş bir saat irəli proqnoz problemi yaradır.

Bu fərq xüsusilə vacibdir. Model eyni saatın külək sürətini yenidən qurmur; cari saat məlumatlarından istifadə edərək növbəti saat üçün proqnoz yaratmağa çalışır.

Məlumatların standartlaşdırılması və məlumat sızmasının qarşısının alınması

Giriş dəyişənləri orta qiyməti sıfır və standart sapması bir olacaq şəkildə standartlaşdırılmışdır. Miqyaslandırıcı yalnız təlim məlumatlarında öyrənilmiş, doğrulama və test dəstləri eyni təlim parametrləri ilə çevrilmişdir. Beləliklə test dəstinin paylanma məlumatı təlim mərhələsinə ötürülməmişdir.

Mənbə məlumat dəstini sabit random state 42 ilə %80 təlim, %10 doğrulama və %10 test bölmələrinə ayırmışdır.

Hibrid RFR–ANN–SVR–LR Stacking Modeli Necə İşləyir?

Hibrid model əvvəlcə ANN, SVR və RFR-nin eyni meteoroloji girişlərdən müstəqil ilkin proqnozlar yaratmasını təmin edir; sonra Linear Regression meta-modeli bu üç aralıq proqnozu ilkin girişlərlə birlikdə istifadə edərək bir saat sonrakı yekun külək sürəti proqnozunu yaradır və stacking təlimində beşqat out-of-fold proqnozlardan istifadə edilməklə meta-modelin öz təlim nümunələri üzərində həddindən artıq optimist proqnozları öyrənməsi məhdudlaşdırılır.

Birinci qat: üç müxtəlif əsas öyrənici

Random Forest Regression (RFR), müxtəlif bootstrap nümunələri üzərində təlim keçmiş qərar ağaclarının proqnozlarını birləşdirir. Mənbədə optimallaşdırılmış quruluş üçün 50 ağac və random state 42 bildirilmişdir.

Artificial Neural Network (ANN), 256–128–64–32–16 neyronlu çoxqatlı quruluşdan istifadə edir. ReLU aktivasiyası, Adam optimizer və 0,001 öyrənmə sürəti istifadə edilmiş; L2 requlyarlaşdırılması üçün alpha=0,0001 seçilmişdir.

Support Vector Regression (SVR), RBF nüvəsindən istifadə edir. Optimallaşdırılmış parametrlər \(C=10\), \(\gamma=1\) və \(\epsilon=0.01\)-dir.

Hiperparametr axtarışı

Tədqiqat təxminən 36 saat davam edən geniş grid search həyata keçirmişdir. Ümumilikdə 10.500 model uyğunlaşdırması beşqat çarpaz doğrulama və MSE skoru ilə qiymətləndirilmişdir.

Meta-model niyə birbaşa əsas modellərin təlim proqnozları ilə öyrədilmədi?

Əsas model öz təlim məlumatları üzərində yaratdığı proqnozlarda həddindən artıq optimist ola bilər. Bu proqnozlar birbaşa meta-modelin girişi edilsə, stacking sistemi real görülməmiş məlumat performansını olduğundan daha güclü öyrənə bilər. Tədqiqat bu riski azaltmaq üçün beşqat out-of-fold proqnoz yaratmışdır.

Hər təlim nümunəsinin meta-model girişi həmin nümunəni öz təlimində istifadə etməmiş əsas model tərəfindən yaradılmışdır. Bu proses ANN, SVR və RFR üçün təkrarlandıqdan sonra LR meta-modeli bu OOF proqnozlar üzərində öyrədilmişdir.

Dövri Zaman Kodlaması Niyə Lazımdır?

Dövri zaman kodlaması saat, gün və ay kimi periodik dəyişənlərin son nöqtələrini xətti ədədlər kimi bir-birindən uzaq göstərməyin qarşısını alır; məsələn 23:00 ilə 00:00 ədədi olaraq 23 vahid uzaq görünmək əvəzinə sinus-kosinus çevrilməsində eyni dövrün qonşu nöqtələri kimi təmsil olunur.

CTE tənlikləri

Mənbədə dövri zaman dəyişənlərinin iki komponenti belə müəyyən edilmişdir:

\[ x_{\sin}=\sin\left(2\pi\frac{x}{T}\right) \]

\[ x_{\cos}=\cos\left(2\pi\frac{x}{T}\right) \]

Burada \(x\), saat, gün və ya ay kimi dövri xüsusiyyət dəyəridir. \(T\), müvafiq dövrün periodudur; məsələn ay üçün 12, saat üçün 24-dür. \(x_{\sin}\) və \(x_{\cos}\) ölçüsüz çevrilmiş komponentlərdir.

Bu ikiölçülü təmsil zaman dəyərini çevrə üzərindəki mövqe kimi kodlayır. Beləliklə, periodun sonunda və əvvəlində yerləşən nöqtələr riyazi olaraq da bir-birinə yaxın olur.

CTE ablyasiya nəticəsi

Bu cədvəl CTE-nin performansla əlaqəli müsbət töhfəsini göstərir. Lakin mənbə eyni zamanda CTE-nin qazancını eyni təlim və test dəstləri altında daha ətraflı təcrid edəcək geniş ablyasiya tədqiqatının gələcəkdə aparılmalı olduğunu bildirir.

Xüsusiyyət əhəmiyyəti niyə sahədən sahəyə dəyişdi?

Modelin xüsusiyyət əhəmiyyəti analizində quru və dənizüstü sahələr eyni meteoroloji nümunəni göstərməmişdir. Taif və Abha kimi dağlıq quru bölgələrində temperatur və nisbi rütubət daha aydın proqnoz töhfəsi göstərmişdir. Red Sea və East Coast kimi dəniz bölgələrində təzyiq və şeh nöqtəsi daha vacib olmuşdur.

Dövri şəkildə kodlanan külək istiqaməti dəyişənləri \(sin\_wdrxn\) və \(cos\_wdrxn\) də bir neçə sahə və modeldə əhəmiyyətli çıxmışdır.

Bu xüsusiyyət əhəmiyyəti nəticələri fiziki səbəbiyyət ölçüsü deyil. Mənbə xüsusilə əhəmiyyət xəritələrinin hər dəyişənin model proqnozuna əlavə töhfəsini göstərdiyini; temperatur, rütubət və şeh nöqtəsi kimi fiziki baxımdan bir-biri ilə əlaqəli dəyişənlər üçün əmsalların birbaşa səbəb-nəticə kimi şərh edilməməli olduğunu bildirir.

Tədqiqatın Metodu və Nəticələri

Model qiymətləndirmə metrikləri

Tədqiqat model performansını bir skorla deyil, altı tamamlayıcı metriklə qiymətləndirmişdir: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) və coefficient of determination \(R^2\).

MAE:

\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i| \]

MAE proqnozların müşahidədən orta mütləq uzaqlığını verir və külək sürəti üçün m/s vahidindədir.

RMSE:

\[ RMSE= \sqrt{ \frac{1}{n} \sum_{i=1}^{n}(y_i-\hat{y}_i)^2 } \]

RMSE kvadratik termin səbəbindən böyük xətaları daha güclü cəzalandırır və m/s vahidindədir.

MBE:

\[ MBE= \frac{1}{n} \sum_{i=1}^{n} (\hat{y}_i-y_i) \]

MBE proqnozların sistematik olaraq yüksək və ya aşağı olma meylini göstərir. Sıfıra yaxın dəyər daha aşağı sistematik qərəzə işarə edir.

MAPE:

\[ MAPE= \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i-\hat{y}_i}{y_i} \right| \times100 \]

MAPE xətanı müşahidə olunan dəyərə görə faiz şəklində ifadə edir.

\(R^2\):

\[ R^2= 1- \frac{ \sum_i(y_i-\hat{y}_i)^2 }{ \sum_i(y_i-\bar{y})^2 } \]

\(R^2\) müşahidə olunan dəyişkənliyin model tərəfindən nə dərəcədə izah edildiyini göstərir; daha yüksək dəyər daha güclü uyğunluğa işarə edir.

Mənbə həmçinin RRMSE-ni faiz şəklində normallaşdırılmış RMSE ölçüsü kimi istifadə etmişdir. Mənbə Cədvəl 8-də əməliyyat istinad dəyərlərini MAE üçün <1,5 m/s, RMSE üçün <2,0 m/s, MBE üçün ±0,3 m/s ətrafı, RRMSE üçün <%15, MAPE üçün <%20 və \(R^2\) üçün >0,7 kimi təqdim etmişdir.

Beş sahədə hibrid modelin test nəticələri

Ən yüksək hibrid test \(R^2\) dəyəri Abha-da 0,953-dür. Damat Al-Jandal 0,946 və Taif 0,940 ilə onu izləyir. Dənizüstü bölgələrdə performans daha aşağı olsa da, East Coast üçün 0,917 və Red Sea üçün 0,896 səviyyəsində qalmışdır.

Hibrid Model Hər Sahədə Ən Yaxşı Nəticəni Verdi?

Xeyr; hibrid RFR–ANN–SVR–LR modeli beş sahənin dördündə ən güclü ümumi test nəticəsini göstərdiyi halda East Coast-da sadə persistence proqnozu \(R^2=0.963\) və RMSE=0,477 m/s ilə hibrid modelin \(R^2=0.917\) və RMSE=0,712 m/s nəticəsindən daha uğurlu olmuşdur; buna görə hibrid yanaşmanın hər meteoroloji rejimdə avtomatik üstün olduğu deyilə bilməz.

Persistence modeli niyə mühüm müqayisədir?

Persistence proqnozu növbəti saatın külək sürətini cari saatla eyni qəbul edir:

\[ \hat{v}(t+1)=v(t) \]

Bu sadə üsul qısamüddətli külək sıralarında güclü temporal autocorrelation olduqda təəccüblü dərəcədə yüksək performans göstərə bilər. East Coast nəticəsi bunun açıq nümunəsidir.

Buna görə mürəkkəb maşın öyrənməsi modelinin yalnız ANN və ya RFR kimi başqa alqoritmləri üstələməsi kifayət deyil; güclü persistence benchmark-ına qarşı da qiymətləndirilməsi lazımdır.

Əsas modellərin müqayisəsi

Mənbə nəticələrinə görə SVR tək istifadə olunan modellər arasında ən sabit üsuldur. Test \(R^2\) dəyərləri təxminən 0,87–0,92 intervalında qalmış və təlim-test performans itkisi nisbətən aşağı olmuşdur.

ANN bəzi quru sahələrində güclü nəticə göstərdiyi halda dənizüstü şəraitə daha həssas performans nümayiş etdirmişdir. RFR isə təlim məlumatlarına çox yaxşı uyğunlaşsa da test mərhələsində ən aydın performans itkisini göstərmişdir. Mənbə xüsusilə East Coast və Red Sea-də RFR test \(R^2\) dəyərlərinin 0,827 və 0,787-yə düşdüyünü bildirmişdir.

Real və proqnozlaşdırılan dəyərlərin müqayisəsi

Mənbənin Şəkil 11-i beş sahə üçün real külək sürəti ilə proqnozlaşdırılan külək sürətini müqayisə edir. Damat Al-Jandal nümunəsində hibrid model \(R^2=0.946\) ilə SVR-nin 0,917, ANN-nin 0,842 və RFR-nin 0,796 test nəticələrini üstələmişdir.

Oxşar şəkildə Abha-da hibrid \(R^2=0.953\), SVR 0,927, ANN 0,861 və RFR 0,820 dəyərlərinə çatmışdır. Qrafiklərdə hibrid proqnozların müşahidə olunan dəyərlərlə daha sıx xətti uyğunluq yaratması mənbədə modelin tamamlayıcı öyrənmə üstünlüyü kimi şərh edilir.

Diebold–Mariano testi

Model fərqlərinin yalnız performans skorlarının böyüklüyündən ibarət olub-olmadığını araşdırmaq üçün Diebold–Mariano (DM) testi tətbiq edilmişdir. Mənbə kvadratik xəta itkiləri arasındakı fərqi:

\[ d_t= (y_t-\hat{y}_{1,t})^2- (y_t-\hat{y}_{2,t})^2 \]

kimi müəyyən edir.

Burada \(y_t\) müşahidə olunan külək sürətidir; \(\hat{y}_{1,t}\) və \(\hat{y}_{2,t}\) müqayisə olunan iki modelin proqnozlarıdır. Mənbə analizində %95 etibar səviyyəsi və \(\alpha=0.05\) əhəmiyyət həddi istifadə edilmişdir.

Bu üç açıq hibrid müqayisə sütununda fərqlərin hamısı \(p<0.05\)-dir. Lakin mənbə Cədvəl 10-un dördüncü sütununu “RFR vs. Persistence” kimi etiketlədiyi üçün bu sütunu birbaşa hybrid-vs-persistence testi kimi yenidən adlandırmaq elmi baxımdan təhlükəsiz deyil.

Residual autocorrelation analizi

Mənbə beş sahə üçün hibrid model proqnoz qalıqlarının Autocorrelation Function (ACF) analizini aparmışdır. Araşdırılan gecikmələrdə avtokorrelyasiya əmsallarının sıfıra yaxın və %95 etibar sərhədləri daxilində qaldığı bildirilmişdir.

Bu tapıntı mövcud məlumat və qurulmuş model daxilində güclü, təkrarlanan və modeldən kənarda qalmış aydın zaman strukturlarının residual sırada görünmədiyini dəstəkləyir. Bununla belə, təkcə 2023-cü il məlumat dəstindəki residual davranış fərqli illərin və ya iqlim şəraitinin avtomatik olaraq eyni cür davranacağını sübut etmir.

Tədqiqatın praktik mənası

Bir saat irəli külək sürəti proqnozu real vaxt güc dispatch-i, ehtiyat planlaşdırması və şəbəkə balanslaşdırması üçün meteoroloji giriş təmin edə bilər. Təklif olunan sistemin tətbiqi fasiləsiz meteoroloji məlumat axını, eyni ilkin emal addımları, ANN, RFR və SVR-nin paralel işlədilməsi və daha sonra yüngül LR meta-modelinin icrasını tələb edir.

Mənbə hibrid quruluşun tək modelə nisbətən hesablama xərcini bir qədər artırdığını, lakin müasir idarəetmə mərkəzi kompüterlərində real vaxt şəbəkə əməliyyatı üçün çıxarış vaxtının kifayət etdiyini bildirir. Mənbə millisanə ilə konkret inference vaxtı vermədiyinə görə Verianla mətnində rəqəm yaradılmamışdır.

Tədqiqatın dəstəklədiyi nəticələr

• ANN, SVR və RFR proqnozlarını LR meta-modeli ilə birləşdirən stacking çərçivəsi dörd sahədə əsas modellər və persistence müqayisəsinə görə güclü ümumi test performansı təmin etmişdir.
• Ən yüksək hibrid test \(R^2\) dəyəri Abha-da 0,953-dür.
• Hibrid modelin test MBE dəyərləri −0,006 ilə 0,152 m/s, RRMSE dəyərləri %8,731 ilə %14,710 arasında qalmışdır.
• CTE istifadə olunan ablyasiya konfiqurasiyası CTE olmayan konfiqurasiyadan daha aşağı RMSE və MAE, daha yüksək \(R^2\) yaratmışdır.
• Xüsusiyyət əhəmiyyəti sahəyə görə dəyişmiş; quru sahələrində temperatur/rütubət, dənizüstü sahələrdə təzyiq/şeh nöqtəsi və müxtəlif sahələrdə dövri istiqamət dəyişənləri aydın proqnoz töhfəsi göstərmişdir.
• Residual ACF analizində aydın davamlı avtokorrelyasiya strukturu bildirilməmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Hibrid model bütün sahələrdə ən yaxşı deyil; East Coast-da persistence modeli daha yaxşı nəticə vermişdir.
• Model birbaşa külək turbininin elektrik istehsalını proqnozlaşdırmamışdır.
• Modelin şəbəkə sabitliyini ölçülmüş sahə təcrübəsi ilə yaxşılaşdırdığı göstərilməmişdir.
• Xüsusiyyət əhəmiyyəti dəyərləri meteoroloji səbəbiyyət sübutu deyil.
• 2023 məlumatları ilə əldə edilən nəticələr fərqli illərə, ölkələrə və iqlim rejimlərinə yenidən doğrulama aparılmadan avtomatik ümumiləşdirilə bilməz.
• Tədqiqat LSTM, GRU, TCN, Informer, Transformer, TFT və ya Chronos-2 kimi yeni zaman sırası arxitekturaları ilə birbaşa geniş benchmark müqayisəsi təqdim etmir.

Məhdudiyyətlər və gələcək tədqiqat istiqamətləri

Mənbə gələcəkdə modeli daha inkişaf etmiş dərin öyrənmə və zaman sırası arxitekturaları ilə müqayisə etməyi təklif edir. LSTM, GRU, Temporal Convolutional Network, Informer, transformer əsaslı modellər, Temporal Fusion Transformer və yeni zaman sırası foundation modelləri bu çərçivədə açıq şəkildə qeyd edilmişdir.

Mövcud tədqiqat saatlıq ayırdetmədədir. Gələcəkdə 15 dəqiqəlik kimi daha yüksək tezlikli müşahidələrlə model performansının araşdırılması təklif edilmişdir.

Ən əsas tətbiq məhdudiyyəti külək sürəti proqnozlarının real turbin güc əyrisi və ya şəbəkə dispatch modeli ilə əlaqələndirilməməsidir. Buna görə gələcəkdə proqnoz xətalarının elektrik istehsalı, tələbat dəyişməsi və şəbəkə sabitliyinə real təsiri ayrıca hesablanmalıdır.

Mənbə həmçinin itkin və ya səhv sensor məlumatları altında model davamlılığını qiymətləndirmir. Məlumat imputasiyası və fault-tolerant məlumat emalı üsullarının gələcəkdə modelə əlavə edilməsi təklif olunur.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Empowering Wind Energy Output Optimization: Comparative Assessment of Hybrid Artificial Intelligence Models Towards Wind Speed Forecasting Accuracy

Müəlliflər: Latif Bukari Rashid; Shafiqur Rehman; Mohamed E. Zayed; Rashad Ibrahim; Fakebba Drammeh; S. M. Shalaby; Iqbal M. Mujtaba.

Məsul müəlliflər: Shafiqur Rehman və Iqbal M. Mujtaba.

Qurumlar: Mechanical Engineering Department, King Fahd University of Petroleum & Minerals, Dhahran, Saudi Arabia; Interdisciplinary Research Center for Sustainable Energy Systems, King Fahd University of Petroleum and Minerals, Dhahran, Saudi Arabia; Department of Civil and Environmental Engineering, University of Pittsburgh, USA; Department of Chemical Engineering, Faculty of Management, Sciences and Engineering, University of Bradford, United Kingdom.

Jurnal: Energies.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Mənbə növü: Rəyli tədqiqat məqaləsi; məlumat əsaslı maşın öyrənməsi və qısamüddətli meteoroloji proqnoz tədqiqatı.

Akademik redaktor: Lars Johanning.

Daxilolma tarixi: 9 iyul 2026.

Reviziya tarixi: 25 avqust 2026.

Qəbul edilmə tarixi: 31 avqust 2026.

Nəşr tarixi: 3 sentyabr 2026.

Lisenziya: Creative Commons Attribution (CC BY).

Məlumat mənbəyi: NASA POWER meteoroloji məlumat anbarı; 1 yanvar 2023–31 dekabr 2023, saatlıq ayırdetmə.

Proqnoz üfüqü: Bir saat irəli külək sürəti.

Əsas modellər: Random Forest Regression, Artificial Neural Network və Support Vector Regression.

Meta-model: Linear Regression.

Stacking doğrulaması: Beşqat out-of-fold çarpaz doğrulama.

Məlumat bölgüsü: %80 təlim, %10 doğrulama, %10 test; random state 42.

Hiperparametr optimallaşdırılması: Beşqat cross-validation və MSE skoru ilə 10.500 grid-search fit; mənbə təxminən 36 saat hesablama müddəti bildirir.

Hesablama mühiti: Intel Core i5-14450HX @ 2,40 GHz, 10 nüvə/16 thread, 16 GB RAM, Windows 11 Pro 24H2, Python 3, Visual Studio Code 1.99.0.

Maliyyələşdirmə: Tədqiqatın xarici maliyyə almadığı bildirilmişdir.

Məlumatların əlçatanlığı: Məlumat dəstinin birinci müəllifin davam edən magistr işi çərçivəsində olması səbəbilə açıq olmadığı; əsaslı sorğu əsasında corresponding author-dan əldə edilə biləcəyi bildirilmişdir.

Maraqların toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişlər.

AI istifadəsi açıqlaması: Müəlliflər işin hazırlanması zamanı ChatGPT 5.0-dan yalnız dil redaktəsi və formatlaşdırma təklifləri üçün istifadə edildiyini bildirmişlər.

Müəllif töhfələri: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim və Fakebba Drammeh konseptuallaşdırma, metod, tədqiqat və ilk layihədə; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby və Iqbal M. Mujtaba doğrulama, resurslar, məlumat kurasiyası, nəzarət və layihə idarəçiliyində; müvafiq müəllif qrupları vizuallaşdırma və nəzərdən keçirmə/redaktə mərhələlərində iştirak etmişlər.

Əsas metodoloji məhdudiyyət: Model birbaşa külək turbininin elektrik gücünü və ya real şəbəkə dispatch çıxışını proqnozlaşdırmır; yalnız saatlıq meteoroloji girişlərdən bir saat irəli 50 m külək sürətini proqnozlaşdırır. Məlumat 2023-cü il və Səudiyyə Ərəbistanındakı beş məkanla məhduddur. East Coast-da persistence benchmark hibrid modeldən daha güclüdür. Yeni nəsil zaman sırası foundation/deep-learning modelləri ilə geniş müqayisə, daha yüksək tezlikli məlumat, müxtəlif illərdə xarici doğrulama və səhv/itkin sensor şəraiti gələcəkdə qiymətləndirilməlidir.