Сунушталган гибриддик шамал ылдамдыгын болжолдоо модели, бир сааттан кийинки шамалдын ылдамдыгын болжолдоо үчүн Random Forest Regression (RFR), Artificial Neural Network (ANN) жана Support Vector Regression (SVR) моделдеринин болжолдорун Linear Regression (LR) мета-модели менен бириктирген stacking негизиндеги машиналык үйрөнүү алкагы болуп саналат. Изилдөө Сауд Аравиясындагы Damat Al-Jandal, Taif, Abha, East Coast жана Red Sea деп аталган беш кургактык жана деңиздеги шамал аймагында 2023-жылдын сааттык метеорологиялык маалыматтарын колдонгон. Гибриддик модель беш жайгашуунун төртөөсүндө ANN, SVR, RFR жана persistence салыштырууларына караганда эң күчтүү жалпы тесттик натыйжаны көрсөткөн; эң жогорку тесттик \(R^2\) мааниси Abhaда 0,953 болгон. Бирок East Coastта жөнөкөй persistence модели \(R^2=0.963\) менен гибриддик моделдин \(R^2=0.917\) жыйынтыгынан жакшыраак иштеген. Изилдөөнүн маанилүү чечмелөө чеги — ал турбинанын электр кубатын же тармактын чыгышын түздөн-түз болжолдобойт; максаттуу өзгөрмө болгону бир саат алдыдагы шамалдын ылдамдыгы.

Модель метеорологиялык өзгөрмөлөрдөн тышкары саат, күн, ай жана шамалдын багыты сыяктуу мезгилдүү кириштердин циклдик түзүлүшүн сактоо үчүн синус жана косинус негизиндеги Cyclical Temporal Encoding (CTE) колдонот. CTE жок гибриддик модель үчүн \(R^2=0.948\), RMSE=0,96 m/s жана MAE=0,67 m/s билдирилсе, CTE менен \(R^2=0.962\), RMSE=0,88 m/s жана MAE=0,61 m/s алынган.

Гибриддик моделдин беш аянттагы тесттик Mean Bias Error (MBE) маанилери −0,006 менен 0,152 m/s ортосунда, Relative Root Mean Square Error (RRMSE) маанилери болсо %8,731 менен %14,710 ортосунда. Бул маанилер изилдөөдө колдонулган операциялык баалоо чектеринин ичинде калган. Ошол эле учурда көрсөткүч жайгашууга жараша олуттуу өзгөрөт жана East Coast мисалы жөнөкөй убакыт persistence түзүлүшү айрым кыска мөөнөттүү шамал катарларында татаал гибриддик моделден жогору болушу мүмкүн экенин көрсөтөт.

Изилдөөнүн негизги көйгөйү

Шамал энергиясын электр тармагына интеграциялоодогу негизги кыйынчылыктардын бири шамалдын ылдамдыгы убакытка жана метеорологиялык шарттарга жараша өзгөрүшү болуп саналат. Шамал ылдамдыгын кыска мөөнөткө болжолдоодогу каталар өндүрүштү пландаштыруу, резерв муктаждыгы, экономикалык dispatch жана тармакты тең салмактоо сыяктуу эксплуатациялык чечимдерге таасир этиши мүмкүн. Ошондуктан изилдөө шамал потенциалы жогору, бирок метеорологиялык шарттары бири-биринен айырмаланган аянттарда бир эле болжолдоо ыкмасы канчалык деңгээлде жалпыланарын карайт.

Изилдөөчүлөр бир гана машиналык үйрөнүү алгоритмине таянуунун ордуна ар башка модель үй-бүлөлөрүнүн бири-бирин толуктоочу касиеттерин бириктирүүнү максат кылган. RFR чечим дарактарынын ансамблдик түзүлүшү аркылуу сызыктуу эмес өзгөрмөлөрдүн өз ара таасирин үйрөнө алат. ANN көп катмарлуу сызыктуу эмес өкүлчүлүк түзө алат. SVR болсо RBF өзөгү аркылуу жогорку өлчөмдүү белгилер мейкиндигинде регуляризацияланган регрессия курат. LR мета-модели бул үч модель чыгарган аралык болжолдорду бириктирип акыркы болжолду түзөт.

Изилденген беш шамал аймагы

Бул тандоо бир типтүү метеорологиялык чөйрөнүн ордуна тегиз түндүк аймактарын, бийик тоолуу жерлерди жана деңиз жээгиндеги атмосфераларды бирге баалоого мүмкүнчүлүк берет. Мындай ар түрдүүлүк моделдин жалпыланышы үчүн өзгөчө маанилүү, анткени бир эле метеорологиялык өзгөрмөнүн болжолго кошкон салымы ар бир аянтта бирдей эмес.

Метеорологиялык маалыматтардын түзүлүшү

Изилдөө NASA POWER маалымат булагынан 1 январь 2023 менен 31 декабрь 2023 аралыгындагы сааттык метеорологиялык маалыматтарды колдонгон. Булак ар бир жылдык катар үчүн 8760 сааттык байкоону жана жалпы 10 өзгөрмөнү аныктайт.

Бир саат алдыдагы болжолдоо максаты кантип түзүлдү?

Булак шамал ылдамдыгынын өзгөрмөсүн бир убакыт кадамы алдыга жылдырган. Ошентип, модель көргөн метеорологиялык кириштер \(t\) учуруна таандык болсо, максаттуу өзгөрмө:

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

болгон. Маалыматтын убакыттык чечилиши сааттык болгондуктан, бул түзүлүш бир саат алдыга болжолдоо маселесин түзөт.

Бул айырма өзгөчө маанилүү. Модель ошол эле сааттагы шамал ылдамдыгын кайра түзбөйт; учурдагы сааттын маалыматтарын колдонуп кийинки саатка болжол чыгарууга аракет кылат.

Маалыматтарды стандартташтыруу жана маалыматтын агып кетишин алдын алуу

Кириш өзгөрмөлөрүнүн орточо мааниси нөл, стандарттык четтөөсү бир болчудай стандартташтырылган. Масштабдоочу параметрлер окуу маалыматында гана үйрөнүлүп, валидация жана тест топтомдору ошол эле окуу параметрлери менен өзгөртүлгөн. Ошентип тест топтомунун бөлүштүрүү маалыматы окуу баскычына өткөрүлгөн эмес.

Булак маалыматтар топтомун туруктуу random state 42 менен %80 окуу, %10 валидация жана %10 тест бөлүктөрүнө бөлгөн.

Гибриддик RFR–ANN–SVR–LR Stacking Модели Кантип Иштейт?

Гибриддик модель адегенде ANN, SVR жана RFRге бир эле метеорологиялык кириштерден өз алдынча алдын ала болжолдорду чыгарууга мүмкүндүк берет; андан кийин Linear Regression мета-модели ушул үч аралык болжолду баштапкы кириштер менен бирге колдонуп бир сааттан кийинки акыркы шамал ылдамдыгынын болжолун түзөт жана stacking окуусунда беш бөлүктүү out-of-fold болжолдор колдонулуп, мета-моделдин өзүнүн окуу үлгүлөрүндөгү ашыкча оптимисттик болжолдорду үйрөнүшү чектелет.

Биринчи катмар: үч ар башка негизги үйрөнүүчү

Random Forest Regression (RFR), ар башка bootstrap үлгүлөрүндө үйрөтүлгөн чечим дарактарынын болжолдорун бириктирет. Булакта оптималдаштырылган түзүлүш үчүн 50 дарак жана random state 42 билдирилген.

Artificial Neural Network (ANN), 256–128–64–32–16 нейрондуу көп катмарлуу түзүлүштү колдонот. ReLU активдешүүсү, Adam optimizer жана 0,001 окуу ылдамдыгы колдонулган; L2 регуляризациясы үчүн alpha=0,0001 тандалган.

Support Vector Regression (SVR), RBF өзөгүн колдонот. Оптималдаштырылган параметрлер \(C=10\), \(\gamma=1\) жана \(\epsilon=0.01\).

Гиперпараметр издөө

Изилдөө болжол менен 36 саатка созулган кеңири grid search жүргүзгөн. Жалпы 10.500 модель fit беш бөлүктүү кайчылаш валидация жана MSE упайы менен бааланган.

Эмне үчүн мета-модель негизги моделдердин окуу болжолдору менен түздөн-түз үйрөтүлгөн эмес?

Негизги модель өзүнүн окуу маалыматындагы болжолдордо ашыкча оптимисттик болушу мүмкүн. Эгер бул болжолдор түздөн-түз мета-моделдин киришине берилсе, stacking тутуму чыныгы көрүлбөгөн маалыматтагы натыйжаны чындыгынан күчтүүрөөк деп үйрөнүшү мүмкүн. Изилдөө бул тобокелдикти азайтуу үчүн беш бөлүктүү out-of-fold болжолдорун чыгарган.

Ар бир окуу үлгүсүнүн мета-модель кириши ошол үлгүнү өзүнүн окуусунда колдонбогон негизги модель тарабынан чыгарылган. Бул процесс ANN, SVR жана RFR үчүн кайталангандан кийин LR мета-модели ушул OOF болжолдорунда үйрөтүлгөн.

Циклдик Убакыт Коддоосу Эмне үчүн Керек?

Циклдик убакыт коддоосу саат, күн жана ай сыяктуу мезгилдүү өзгөрмөлөрдүн акыркы чекиттерин сызыктуу сандардай бири-биринен алыс көрсөтүүнү алдын алат; мисалы, 23:00 менен 00:00 сандык жактан 23 бирдик алыс көрүнүүнүн ордуна синус-косинус өзгөртүүсүндө бир эле циклдин коңшу чекиттери катары көрсөтүлөт.

CTE теңдемелери

Булакта циклдик убакыт өзгөрмөлөрүнүн эки компоненти төмөнкүдөй аныкталган:

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

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

Бул жерде \(x\), саат, күн же ай сыяктуу циклдик белгинин мааниси. \(T\), тиешелүү циклдин периоду; мисалы ай үчүн 12, саат үчүн 24. \(x_{\sin}\) жана \(x_{\cos}\) өлчөмсүз өзгөртүлгөн компоненттер.

Бул эки өлчөмдүү өкүлчүлүк убакыт маанисин айланадагы позиция катары коддойт. Ошентип, периоддун аягындагы жана башындагы чекиттер математикалык жактан да бири-бирине жакын болот.

CTE абляциясынын жыйынтыгы

Бул таблица CTEнин натыйжага байланышкан оң салымын көрсөтөт. Бирок булак ошол эле учурда CTEнин пайдасын бир эле окуу жана тест топтомдорунда кеңири бөлүп көрсөтө турган терең абляциялык изилдөө келечекте жүргүзүлүшү керек экенин белгилейт.

Белгилердин маанилүүлүгү эмнеге аянттан аянтка өзгөрдү?

Моделдин белгилердин маанилүүлүгүн талдоосунда кургактык жана деңиздеги аянттар бирдей метеорологиялык үлгү көрсөткөн эмес. Taif жана Abha сыяктуу тоолуу кургактык аймактарында температура жана салыштырма нымдуулук көбүрөөк болжол салымын көрсөткөн. Red Sea жана East Coast сыяктуу деңиз аймактарында басым жана шүүдүрүм чекити маанилүүрөөк болгон.

Циклдик түрдө коддолгон шамал багытынын өзгөрмөлөрү \(sin\_wdrxn\) жана \(cos\_wdrxn\) да бир нече аянтта жана моделде маанилүү чыккан.

Бул белгилердин маанилүүлүк жыйынтыктары физикалык себептүүлүктүн өлчөөсү эмес. Булак өзгөчө маанилүүлүк карталары ар бир өзгөрмөнүн модель болжолуна кошумча салымын көрсөтөрүн; температура, нымдуулук жана шүүдүрүм чекити сыяктуу физикалык жактан өз ара байланышкан өзгөрмөлөр үчүн коэффициенттерди түз себеп-натыйжа катары чечмелебөө керектигин белгилейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Моделди баалоо метрикалары

Изилдөө моделдин натыйжалуулугун бир эле упай менен эмес, алты бири-бирин толуктоочу метрика менен баалаган: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) жана coefficient of determination \(R^2\).

MAE:

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

MAE болжолдордун байкоодон орточо абсолюттук алыстыгын берет жана шамал ылдамдыгы үчүн m/s бирдигинде.

RMSE:

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

RMSE квадраттык мүчөгө байланыштуу чоң каталарды күчтүүрөөк жазалайт жана m/s бирдигинде.

MBE:

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

MBE болжолдордун системалуу түрдө жогору же төмөн болуу тенденциясын көрсөтөт. Нөлгө жакын маани системалуу кыйшаюунун азыраак экенин билдирет.

MAPE:

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

MAPE катаны байкалган мааниге карата пайыз түрүндө көрсөтөт.

\(R^2\):

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

\(R^2\) байкалган өзгөрмөлүүлүктү модель канчалык деңгээлде түшүндүргөнүн көрсөтөт; жогорку маани жакшыраак шайкештикти билдирет.

Булак ошондой эле RRMSEни пайыз менен нормалдаштырылган RMSE өлчөмү катары колдонгон. Булак 8-таблицада операциялык эталон маанилерди MAE үчүн <1,5 m/s, RMSE үчүн <2,0 m/s, MBE үчүн ±0,3 m/s чамасында, RRMSE үчүн <%15, MAPE үчүн <%20 жана \(R^2\) үчүн >0,7 деп көрсөткөн.

Беш аянттагы гибриддик моделдин тест жыйынтыктары

Эң жогорку гибриддик тест \(R^2\) мааниси Abhaда 0,953. Damat Al-Jandal 0,946 жана Taif 0,940 менен кийинки орунда. Деңиздеги аймактарда натыйжа төмөнүрөөк болсо да East Coast үчүн 0,917 жана Red Sea үчүн 0,896 деңгээлинде калган.

Гибриддик Модель Ар Бир Аянтта Эң Жакшы Натыйжа Бердиби?

Жок; гибриддик RFR–ANN–SVR–LR модели беш аянттын төртөөсүндө эң күчтүү жалпы тест жыйынтыгын берген, бирок East Coastта жөнөкөй persistence болжолу \(R^2=0.963\) жана RMSE=0,477 m/s менен гибриддик моделдин \(R^2=0.917\) жана RMSE=0,712 m/s жыйынтыгынан жакшыраак болгон; ошондуктан гибриддик ыкма ар бир метеорологиялык режимде автоматтык түрдө үстөм деп айтууга болбойт.

Persistence модели эмне үчүн маанилүү салыштыруу?

Persistence болжолу кийинки сааттагы шамалдын ылдамдыгын учурдагы саат менен бирдей деп кабыл алат:

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

Бул жөнөкөй ыкма кыска мөөнөттүү шамал катарларында күчтүү temporal autocorrelation болгондо таң калыштуу жогорку натыйжа көрсөтүшү мүмкүн. East Coast жыйынтыгы мунун ачык мисалы.

Ошондуктан татаал машиналык үйрөнүү модели ANN же RFR сыяктуу башка алгоритмдерди гана артта калтырганы жетишсиз; ал күчтүү persistence benchmarkына каршы да бааланышы керек.

Негизги моделдерди салыштыруу

Булак жыйынтыктарына ылайык, SVR өз алдынча колдонулган моделдердин ичинен эң туруктуу ыкма. Тест \(R^2\) маанилери болжол менен 0,87–0,92 аралыгында калган жана окуу-тест натыйжасынын төмөндөшү салыштырмалуу аз болгон.

ANN кээ бир кургактык аянттарында күчтүү жыйынтык көрсөткөн, бирок деңиздеги шарттарга сезимталураак болгон. RFR болсо окуу маалыматтарына абдан жакшы шайкеш келгени менен тест баскычында эң айкын натыйжа жоготуусун көрсөткөн. Булак өзгөчө East Coast жана Red Seaда RFR тест \(R^2\) маанилери 0,827 жана 0,787ге түшкөнүн билдирген.

Чыныгы жана болжолдонгон маанилерди салыштыруу

Булактын 11-сүрөтү беш аянт үчүн чыныгы шамал ылдамдыгы менен болжолдонгон шамал ылдамдыгын салыштырат. Damat Al-Jandal мисалында гибриддик модель \(R^2=0.946\) менен SVRнин 0,917, ANNнин 0,842 жана RFRнин 0,796 тест жыйынтыктарынан ашкан.

Ошондой эле Abhaда гибриддик \(R^2=0.953\), SVR 0,927, ANN 0,861 жана RFR 0,820 маанилерине жеткен. Графиктерде гибриддик болжолдордун байкалган маанилер менен тыгызыраак сызыктуу шайкештик түзүшү булакта моделдин бири-бирин толуктоочу үйрөнүү артыкчылыгы катары чечмеленген.

Diebold–Mariano тести

Моделдердин айырмасы натыйжа упайларынын чоңдугунан гана турабы же жокпу текшерүү үчүн Diebold–Mariano (DM) тести колдонулган. Булак квадраттык ката жоготууларынын айырмасын:

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

деп аныктайт.

Бул жерде \(y_t\) байкалган шамал ылдамдыгы; \(\hat{y}_{1,t}\) жана \(\hat{y}_{2,t}\) салыштырылган эки моделдин болжолдору. Булак анализинде %95 ишеним деңгээли жана \(\alpha=0.05\) маанилүүлүк чеги колдонулган.

Бул үч ачык гибриддик салыштыруу тилкесинде айырмалардын баары \(p<0.05\). Бирок булак 10-таблицанын төртүнчү тилкесин “RFR vs. Persistence” деп белгилегендиктен, бул тилкени түздөн-түз hybrid-vs-persistence тести деп кайра атоо илимий жактан коопсуз эмес.

Residual autocorrelation анализи

Булак беш аянт үчүн гибриддик модель болжолдорунун калдыктарына Autocorrelation Function (ACF) анализин жүргүзгөн. Каралган кечигүүлөрдө автокорреляция коэффициенттери нөлгө жакын жана %95 ишеним чектеринин ичинде калгандыгы билдирилген.

Бул табылга учурдагы маалымат жана курулган модель шартында күчтүү, кайталануучу жана моделден тышкары калган айкын убакыт түзүлүштөрү residual катарда көрүнбөгөнүн колдойт. Бирок бир жылдык 2023 маалымат топтомундагы residual жүрүм-турум башка жылдар же климаттык шарттар автоматтык түрдө ошондой эле болот дегенди далилдебейт.

Изилдөөнүн практикалык мааниси

Бир саат алдыдагы шамал ылдамдыгынын болжолу реалдуу убакыттагы кубат dispatch, резервди пландаштыруу жана тармакты тең салмактоо үчүн метеорологиялык кириш бере алат. Сунушталган системаны ишке киргизүү үзгүлтүксүз метеорологиялык маалымат агымын, ошол эле алдын ала иштетүү кадамдарын, ANN, RFR жана SVRни параллелдүү иштетүүнү жана андан кийин жеңил LR мета-моделин аткарууну талап кылат.

Булак гибриддик түзүлүш бир модель менен салыштырганда эсептөө чыгымын бир аз көбөйтөрүн, бирок заманбап башкаруу борборунун компьютерлеринде реалдуу убакыттагы тармактык иш үчүн inference убактысы жетиштүү экенин билдирет. Булак миллисекунд менен так inference убактысын бербегендиктен Verianla текстинде сан чыгарылган эмес.

Изилдөө колдогон жыйынтыктар

• ANN, SVR жана RFR болжолдорун LR мета-модели менен бириктирген stacking алкагы төрт аянтта негизги моделдер жана persistence салыштыруусуна караганда күчтүү жалпы тесттик натыйжа берген.
• Эң жогорку гибриддик тест \(R^2\) мааниси Abhaда 0,953.
• Гибриддик моделдин тест MBE маанилери −0,006 менен 0,152 m/s, RRMSE маанилери %8,731 менен %14,710 аралыгында калган.
• CTE колдонулган абляция конфигурациясы CTE жок конфигурацияга караганда төмөн RMSE жана MAE, жогору \(R^2\) чыгарган.
• Белгилердин маанилүүлүгү аянтка жараша өзгөргөн; кургактык аянттарында температура/нымдуулук, деңиздеги аянттарда басым/шүүдүрүм чекити жана ар түрдүү аянттарда циклдик багыт өзгөрмөлөрү байкаларлык болжол салымын көрсөткөн.
• Residual ACF анализинде айкын туруктуу автокорреляция түзүлүшү билдирилген эмес.

Изилдөө колдобогон жыйынтыктар

• Гибриддик модель бардык аянттарда эң жакшы эмес; East Coastта persistence модели жакшыраак жыйынтык берген.
• Модель шамал турбинасынын электр өндүрүшүн түздөн-түз болжолдогон эмес.
• Модель тармактын туруктуулугун өлчөнгөн талаа тажрыйбасы менен жакшыртканы көрсөтүлгөн эмес.
• Белгилердин маанилүүлүк маанилери метеорологиялык себептүүлүктүн далили эмес.
• 2023-жылдагы маалыматтардан алынган жыйынтыктар кайра текшерүүсүз башка жылдарга, өлкөлөргө жана климаттык режимдерге автоматтык түрдө жалпыланбайт.
• Изилдөө LSTM, GRU, TCN, Informer, Transformer, TFT же Chronos-2 сыяктуу жаңы убакыт катарларынын архитектуралары менен түз кеңири benchmark салыштыруусун бербейт.

Чектөөлөр жана келечектеги изилдөө багыттары

Булак келечекте моделди өнүккөн терең үйрөнүү жана убакыт катарлары архитектуралары менен салыштырууну сунуштайт. LSTM, GRU, Temporal Convolutional Network, Informer, transformer негизиндеги моделдер, Temporal Fusion Transformer жана жаңы убакыт катарларынын foundation моделдери бул алкакта ачык аталган.

Учурдагы изилдөө сааттык чечилиште. Келечекте 15 мүнөттүк сыяктуу жогорку жыштыктагы байкоолор менен моделдин натыйжалуулугун текшерүү сунушталган.

Эң негизги колдонмо чектөөсү шамал ылдамдыгынын болжолдору реалдуу турбина кубат ийри сызыгы же тармактык dispatch модели менен байланышпаганы. Ошондуктан келечекте болжол каталарынын электр өндүрүшүнө, суроо-талаптын өзгөрүшүнө жана тармактын туруктуулугуна реалдуу таасири өзүнчө эсептелиши керек.

Булак ошондой эле жоголгон же ката сенсор маалыматы шартында моделдин туруктуулугун баалабайт. Маалымат импутациясы жана fault-tolerant маалымат иштетүү ыкмаларын келечекте моделге кошуу сунушталат.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Жооптуу авторлор: Shafiqur Rehman жана Iqbal M. Mujtaba.

Мекемелер: 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.

Журнал: Energies.

Басмакана: MDPI.

Библиографиялык жазуу: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Булак түрү: Рецензияланган изилдөө макаласы; маалыматка негизделген машиналык үйрөнүү жана кыска мөөнөттүү метеорологиялык болжолдоо изилдөөсү.

Академиялык редактор: Lars Johanning.

Алынган күнү: 9 июль 2026.

Ревизия күнү: 25 август 2026.

Кабыл алынган күнү: 31 август 2026.

Жарыяланган күнү: 3 сентябрь 2026.

Лицензия: Creative Commons Attribution (CC BY).

Маалымат булагы: NASA POWER метеорологиялык маалымат кампасы; 1 январь 2023–31 декабрь 2023, сааттык чечилиш.

Болжолдоо горизонту: Бир саат алдыдагы шамалдын ылдамдыгы.

Негизги моделдер: Random Forest Regression, Artificial Neural Network жана Support Vector Regression.

Мета-модель: Linear Regression.

Stacking валидациясы: Беш бөлүктүү out-of-fold кайчылаш валидация.

Маалымат бөлүштүрүү: %80 окуу, %10 валидация, %10 тест; random state 42.

Гиперпараметр оптималдаштыруу: Беш бөлүктүү cross-validation жана MSE упайы менен 10.500 grid-search fit; булак болжол менен 36 саат эсептөө убактысын билдирет.

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

Каржылоо: Изилдөө сырттан каржылоо албаганы билдирилген.

Маалыматтын жеткиликтүүлүгү: Маалымат топтому биринчи автордун уланып жаткан магистрдик ишинин бөлүгү болгондуктан коомчулукка ачык эмес экени; негиздүү суроо-талап менен corresponding author дан алууга болору билдирилген.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

AI колдонуу тууралуу билдирүү: Авторлор ишти даярдоодо ChatGPT 5.0 болгону тилдик түзөтүү жана форматтоо боюнча сунуштар үчүн колдонулганын билдиришкен.

Авторлордун салымы: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim жана Fakebba Drammeh концептуалдаштыруу, ыкма, изилдөө жана биринчи долбоордо; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby жана Iqbal M. Mujtaba валидация, ресурстар, маалымат курациясы, көзөмөл жана долбоорду башкарууда; тиешелүү автордук топтор визуалдаштыруу жана карап чыгуу/редакциялоо баскычтарында иштешкен.

Негизги методологиялык чектөө: Модель шамал турбинасынын электр кубатын же реалдуу тармактык dispatch чыгышын түздөн-түз болжолдобойт; ал болгону сааттык метеорологиялык кириштерден бир саат алдыдагы 50 m шамал ылдамдыгын болжолдойт. Маалымат 2023-жыл жана Сауд Аравиясындагы беш жайгашуу менен чектелген. East Coastта persistence benchmark гибриддик моделден күчтүүрөөк. Жаңы муундагы убакыт катарлары foundation/deep-learning моделдери менен кеңири салыштыруу, жогорку жыштыктагы маалымат, ар башка жылдардагы тышкы валидация жана ката/жоголгон сенсор шарттары келечекте бааланышы керек.