Önerilen hibrit rüzgâr hızı tahmin modeli, bir saat sonraki rüzgâr hızını tahmin etmek için Random Forest Regression (RFR), Artificial Neural Network (ANN) ve Support Vector Regression (SVR) modellerinin tahminlerini Linear Regression (LR) meta-modeliyle birleştiren stacking tabanlı bir makine öğrenmesi çerçevesidir. Çalışma, Suudi Arabistan'daki Damat Al-Jandal, Taif, Abha, East Coast ve Red Sea olmak üzere beş kara ve denizüstü rüzgâr bölgesinde 2023 yılı saatlik meteorolojik verilerini kullanmıştır. Hibrit model beş konumun dördünde ANN, SVR, RFR ve persistence karşılaştırmalarına göre en güçlü genel test performansını üretmiş; en yüksek test \(R^2\) değeri Abha'da 0,953 olmuştur. Ancak East Coast'ta basit persistence modeli \(R^2=0.963\) ile hibrit modelin \(R^2=0.917\) sonucundan daha iyi performans göstermiştir. Çalışmanın önemli yorum sınırı, doğrudan türbin elektrik gücünü veya şebeke çıktısını tahmin etmemesi; hedef değişkenin yalnız bir saat ileri rüzgâr hızı olmasıdır.

Model, meteorolojik değişkenlerin yanı sıra saat, gün, ay ve rüzgâr yönü gibi periyodik girdilerin döngüsel yapısını korumak için sinüs ve kosinüs tabanlı Cyclical Temporal Encoding (CTE) kullanmaktadır. CTE olmadan hibrit model için \(R^2=0.948\), RMSE=0,96 m/s ve MAE=0,67 m/s raporlanırken CTE ile \(R^2=0.962\), RMSE=0,88 m/s ve MAE=0,61 m/s elde edilmiştir.

Hibrit modelin beş sahadaki test Mean Bias Error (MBE) değerleri −0,006 ile 0,152 m/s arasında, Relative Root Mean Square Error (RRMSE) değerleri ise %8,731 ile %14,710 arasındadır. Bu değerler çalışmada kullanılan operasyonel değerlendirme eşiklerinin içinde kalmaktadır. Bununla birlikte konuma göre performans önemli ölçüde değişmektedir ve East Coast örneği, basit zaman persistence yapısının bazı kısa vadeli rüzgâr serilerinde karmaşık bir hibrit modele üstün gelebileceğini göstermektedir.

Araştırmanın temel problemi

Rüzgâr enerjisinin şebekeye entegrasyonundaki temel güçlüklerden biri rüzgâr hızının zamana ve meteorolojik koşullara bağlı olarak değişmesidir. Rüzgâr hızındaki kısa vadeli tahmin hataları, üretim planlama, rezerv ihtiyacı, ekonomik dispatch ve şebeke dengeleme gibi işletme kararlarını etkileyebilir. Bu nedenle çalışma, özellikle yüksek rüzgâr potansiyeline sahip ancak meteorolojik koşulları birbirinden farklı sahalarda tek bir tahmin yaklaşımının ne ölçüde genellenebileceğini araştırmaktadır.

Araştırmacılar yalnız bir makine öğrenmesi algoritmasına güvenmek yerine farklı model ailelerinin tamamlayıcı özelliklerini bir araya getirmeyi amaçlamıştır. RFR, karar ağaçlarının topluluk yapısıyla doğrusal olmayan değişken etkileşimlerini öğrenebilir. ANN, çok katmanlı doğrusal olmayan temsil oluşturabilir. SVR ise RBF çekirdeğiyle yüksek boyutlu bir özellik uzayında düzenlileştirilmiş regresyon kurar. LR meta-modeli bu üç modelin ürettiği ara tahminleri birleştirerek nihai tahmini oluşturur.

İncelenen beş rüzgâr bölgesi

Bu seçim, tek tip bir meteorolojik ortam yerine düz kuzey bölgelerini, yüksek rakımlı dağlık alanları ve denizel kıyı atmosferlerini birlikte değerlendirme olanağı vermektedir. Bu çeşitlilik özellikle model genellenebilirliği açısından önemlidir; çünkü aynı meteorolojik değişkenin tahmin katkısı her sahada aynı değildir.

Meteorolojik veri yapısı

Çalışma NASA POWER veri kaynağından 1 Ocak 2023 ile 31 Aralık 2023 arasındaki saatlik meteorolojik bilgileri kullanmıştır. Kaynak her yıllık seri için 8760 saatlik gözlem ve toplam 10 değişken tanımlamaktadır.

Bir saat ileri tahmin hedefi nasıl oluşturuldu?

Kaynak rüzgâr hızı değişkenini bir zaman adımı ileri kaydırmıştır. Böylece modelin gördüğü meteorolojik girdiler \(t\) anına aitken hedef değişken:

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

olmuştur. Veri çözünürlüğü saatlik olduğu için bu yapı bir saat ileri tahmin problemi oluşturur.

Bu ayrım özellikle önemlidir. Model aynı saatin rüzgâr hızını yeniden oluşturmaz; mevcut saat bilgilerini kullanarak bir sonraki saat için tahmin üretmeye çalışır.

Veri standardizasyonu ve veri sızıntısının önlenmesi

Giriş değişkenleri ortalaması sıfır ve standart sapması bir olacak biçimde standartlaştırılmıştır. Ölçekleyici yalnız eğitim verisinde öğrenilmiş, doğrulama ve test kümeleri aynı eğitim parametreleriyle dönüştürülmüştür. Böylece test kümesinin dağılım bilgisi eğitim aşamasına taşınmamıştır.

Kaynak veri setini sabit random state 42 ile %80 eğitim, %10 doğrulama ve %10 test bölümlerine ayırmıştır.

Hibrit RFR–ANN–SVR–LR Stacking Modeli Nasıl Çalışıyor?

Hibrit model önce ANN, SVR ve RFR'nin aynı meteorolojik girdilerden bağımsız ön tahminler üretmesini sağlar; ardından Linear Regression meta-modeli bu üç ara tahmini özgün girdilerle birlikte kullanarak bir saat sonraki nihai rüzgâr hızı tahminini oluşturur ve stacking eğitiminde beş katlı out-of-fold tahminler kullanılarak meta-modelin kendi eğitim örnekleri üzerindeki aşırı iyimser tahminleri öğrenmesi sınırlandırılır.

Birinci katman: üç farklı temel öğrenici

Random Forest Regression (RFR), farklı bootstrap örnekleri üzerinde eğitilen karar ağaçlarının tahminlerini birleştirir. Kaynakta optimize edilmiş yapı için 50 ağaç ve random state 42 raporlanmıştır.

Artificial Neural Network (ANN), 256–128–64–32–16 nöronlu çok katmanlı bir yapı kullanmaktadır. ReLU aktivasyonu, Adam optimizer ve 0,001 öğrenme oranı kullanılmış; L2 düzenlileştirmesi için alpha=0,0001 seçilmiştir.

Support Vector Regression (SVR), RBF çekirdeği kullanmaktadır. Optimize edilmiş parametreler \(C=10\), \(\gamma=1\) ve \(\epsilon=0.01\)'dir.

Hiperparametre araması

Çalışma yaklaşık 36 saat süren kapsamlı bir grid search gerçekleştirmiştir. Toplam 10.500 model uyumu, beş katlı çapraz doğrulama ve MSE skoru kullanılarak değerlendirilmiştir.

Meta-model neden doğrudan temel modellerin eğitim tahminleriyle eğitilmedi?

Bir temel model kendi eğitim verisi üzerinde ürettiği tahminlerde aşırı iyimser olabilir. Bu tahminler doğrudan meta-modelin girdisi yapılırsa stacking sistemi gerçek görülmemiş veri performansını olduğundan güçlü öğrenebilir. Çalışma bu riski azaltmak için beş katlı out-of-fold tahmin üretmiştir.

Her eğitim örneğinin meta-model girdisi, o örneği eğitiminde kullanmamış bir temel model tarafından üretilmiştir. Bu işlem ANN, SVR ve RFR için tekrarlandıktan sonra LR meta-modeli bu OOF tahminler üzerinde eğitilmiştir.

Döngüsel Zaman Kodlama Neden Gerekli?

Döngüsel zaman kodlama, saat, gün ve ay gibi periyodik değişkenlerin uç noktalarını doğrusal sayılar gibi birbirinden uzak göstermeyi önler; örneğin 23:00 ile 00:00 sayısal olarak 23 birim uzakta görünmek yerine sinüs-kosinüs dönüşümünde aynı döngünün komşu noktaları olarak temsil edilir.

CTE denklemleri

Kaynakta döngüsel zaman değişkenlerinin iki bileşeni şu şekilde tanımlanmıştır:

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

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

Burada \(x\), saat, gün veya ay gibi döngüsel özellik değeridir. \(T\), ilgili döngünün periyodudur; örneğin ay için 12, saat için 24'tür. \(x_{\sin}\) ve \(x_{\cos}\) boyutsuz dönüştürülmüş bileşenlerdir.

Bu iki boyutlu temsil, zaman değerini bir çember üzerindeki konum olarak kodlar. Böylece periyodun sonunda ve başında bulunan noktalar matematiksel olarak da birbirine yakın hâle gelir.

CTE ablasyon sonucu

Bu tablo CTE'nin performansla ilişkili olumlu bir katkısını gösterir. Ancak kaynak aynı zamanda CTE'nin kazancını aynı eğitim ve test kümeleri altında daha ayrıntılı biçimde izole edecek kapsamlı bir ablasyon çalışmasının gelecekte yapılması gerektiğini belirtmektedir.

Özellik önemi sahadan sahaya neden değişti?

Modelin özellik önem analizinde kara ve denizüstü sahalar aynı meteorolojik örüntüyü göstermemiştir. Taif ve Abha gibi dağlık kara bölgelerinde sıcaklık ve bağıl nem daha belirgin tahmin katkısı göstermiştir. Red Sea ve East Coast gibi denizel bölgelerde basınç ve çiy noktası daha önemli hâle gelmiştir.

Döngüsel biçimde kodlanan rüzgâr yönü değişkenleri \(sin\_wdrxn\) ve \(cos\_wdrxn\) de birden fazla saha ve modelde önemli çıkmıştır.

Bu özellik önemi sonuçları fiziksel nedensellik ölçümü değildir. Kaynak özellikle önem haritalarının her değişkenin model tahminine ek katkısını gösterdiğini; sıcaklık, nem ve çiy noktası gibi fiziksel olarak birbirine bağlı değişkenler için katsayıların doğrudan neden-sonuç biçiminde yorumlanmaması gerektiğini belirtmektedir.

Çalışmanın Yöntemi ve Bulguları

Model değerlendirme metrikleri

Çalışma model performansını tek bir skorla değil altı tamamlayıcı metrikle değerlendirmiştir: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) ve coefficient of determination \(R^2\).

MAE:

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

MAE tahminlerin gözlemden ortalama mutlak uzaklığını verir ve rüzgâr hızı için m/s birimindedir.

RMSE:

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

RMSE büyük hataları karesel terim nedeniyle daha güçlü cezalandırır ve m/s birimindedir.

MBE:

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

MBE tahminlerin sistematik olarak yüksek veya düşük olma eğilimini gösterir. Sıfıra yakın değer daha düşük sistematik yanlılığa işaret eder.

MAPE:

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

MAPE hatayı gözlenen değere göre yüzde biçiminde ifade eder.

\(R^2\):

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

\(R^2\) gözlenen değişkenliğin model tarafından ne ölçüde açıklandığını gösterir; daha yüksek değer daha güçlü uyuma işaret eder.

Kaynak ayrıca RRMSE'yi yüzde biçiminde normalize edilmiş RMSE ölçüsü olarak kullanmıştır. Kaynak Tablo 8'de operasyonel referans değerleri MAE için <1,5 m/s, RMSE için <2,0 m/s, MBE için ±0,3 m/s civarı, RRMSE için <%15, MAPE için <%20 ve \(R^2\) için >0,7 olarak sunulmuştur.

Beş sahada hibrit modelin test sonuçları

En yüksek hibrit test \(R^2\) değeri Abha'da 0,953'tür. Damat Al-Jandal 0,946 ve Taif 0,940 ile bunu izlemektedir. Denizüstü bölgelerde performans daha düşük olmakla birlikte East Coast için 0,917 ve Red Sea için 0,896 düzeyinde kalmıştır.

Hibrit Model Her Sahada En İyi Sonucu Verdi mi?

Hayır; hibrit RFR–ANN–SVR–LR modeli beş sahanın dördünde en güçlü genel test sonucunu verirken East Coast'ta basit persistence tahmini \(R^2=0.963\) ve RMSE=0,477 m/s ile hibrit modelin \(R^2=0.917\) ve RMSE=0,712 m/s sonucundan daha başarılı olmuştur, bu nedenle hibrit yaklaşımın her meteorolojik rejimde otomatik üstün olduğu söylenemez.

Persistence modeli neden önemli bir karşılaştırmadır?

Persistence tahmini, bir sonraki saatin rüzgâr hızını mevcut saatle aynı kabul eder:

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

Bu basit yöntem kısa vadeli rüzgâr serilerinde güçlü temporal autocorrelation bulunduğunda şaşırtıcı biçimde yüksek performans gösterebilir. East Coast sonucu bunun açık örneğidir.

Bu nedenle karmaşık bir makine öğrenmesi modelinin yalnız ANN veya RFR gibi başka algoritmaları geçmesi yeterli değildir; güçlü bir persistence benchmark'ına karşı da değerlendirilmesi gerekir.

Temel modellerin karşılaştırılması

Kaynak sonuçlarına göre SVR tek başına kullanılan modeller arasında en istikrarlı yöntemdir. Test \(R^2\) değerleri yaklaşık 0,87–0,92 aralığında kalmış ve eğitim-test performans kaybı görece düşük olmuştur.

ANN bazı kara sahalarında güçlü sonuç verirken denizüstü koşullara daha duyarlı performans göstermiştir. RFR ise eğitim verisine çok iyi uyum sağlasa da test aşamasında en belirgin performans kaybını göstermiştir. Kaynak, özellikle East Coast ve Red Sea'de RFR test \(R^2\) değerlerinin 0,827 ve 0,787'ye düştüğünü raporlamıştır.

Gerçek ve tahmin edilen değerlerin karşılaştırılması

Kaynağın Şekil 11'i beş saha için gerçek rüzgâr hızı ile tahmin edilen rüzgâr hızını karşılaştırmaktadır. Damat Al-Jandal örneğinde hibrit model \(R^2=0.946\) ile SVR'nin 0,917, ANN'nin 0,842 ve RFR'nin 0,796 test sonuçlarını aşmıştır.

Benzer biçimde Abha'da hibrit \(R^2=0.953\), SVR 0,927, ANN 0,861 ve RFR 0,820 değerlerine ulaşmıştır. Grafiklerde hibrit tahminlerin gözlenen değerlerle daha sıkı bir doğrusal uyum oluşturması kaynakta modelin tamamlayıcı öğrenme avantajı olarak yorumlanmaktadır.

Diebold–Mariano testi

Model farklarının yalnız performans skorlarının büyüklüğünden ibaret olup olmadığını incelemek amacıyla Diebold–Mariano (DM) testi uygulanmıştır. Kaynak karesel hata kayıpları arasındaki farkı:

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

olarak tanımlamaktadır.

Burada \(y_t\) gözlenen rüzgâr hızıdır; \(\hat{y}_{1,t}\) ve \(\hat{y}_{2,t}\) karşılaştırılan iki modelin tahminleridir. Kaynak analizinde %95 güven düzeyi ve \(\alpha=0.05\) anlamlılık eşiği kullanılmıştır.

Bu üç açık hibrit karşılaştırma sütununda farkların tamamı \(p<0.05\)'tir. Ancak kaynak Tablo 10'un dördüncü sütununu “RFR vs. Persistence” olarak etiketlediği için bu sütunu doğrudan hybrid-vs-persistence testi biçiminde yeniden adlandırmak bilimsel olarak güvenli değildir.

Residual autocorrelation analizi

Kaynak beş saha için hibrit model tahmin artıklarının Autocorrelation Function (ACF) analizini yapmıştır. İncelenen gecikmelerde otokorelasyon katsayılarının sıfıra yakın ve %95 güven sınırlarının içinde kaldığı raporlanmıştır.

Bu bulgu mevcut veri ve kurulan model altında güçlü, tekrarlayan ve model dışında bırakılmış belirgin zaman yapılarının residual seride görülmediğini desteklemektedir. Bununla birlikte tek yıllık 2023 veri setindeki residual davranış, farklı yılların veya iklim koşullarının otomatik olarak aynı biçimde davranacağını kanıtlamaz.

Çalışmanın pratik anlamı

Bir saat ileri rüzgâr hızı tahmini, gerçek zamanlı güç dispatch, rezerv planlama ve şebeke dengelemesi için meteorolojik bir giriş sağlayabilir. Önerilen sistemin uygulanması sürekli meteorolojik veri akışı, aynı ön işleme adımları, ANN, RFR ve SVR'nin paralel çalıştırılması ve ardından hafif bir LR meta-modelinin yürütülmesini gerektirir.

Kaynak, hibrit yapının tek modele göre hesaplama maliyetini bir miktar artırdığını ancak modern kontrol merkezi bilgisayarlarında gerçek zamanlı şebeke işletimi için çıkarım süresinin yeterli olduğunu belirtmektedir. Kaynak belirli bir milisaniye cinsinden inference süresi vermediği için Verianla metninde sayı üretilmemiştir.

Çalışmanın desteklediği sonuçlar

• ANN, SVR ve RFR tahminlerini LR meta-modeliyle birleştiren stacking çerçevesi dört sahada temel modeller ve persistence karşılaştırmasına göre güçlü genel test performansı sağlamıştır.
• En yüksek hibrit test \(R^2\) değeri Abha'da 0,953'tür.
• Hibrit modelin test MBE değerleri −0,006 ile 0,152 m/s, RRMSE değerleri %8,731 ile %14,710 arasında kalmıştır.
• CTE kullanılan ablasyon yapılandırması CTE olmayan yapılandırmadan daha düşük RMSE ve MAE ile daha yüksek \(R^2\) üretmiştir.
• Özellik önemi sahaya göre değişmiş; kara sahalarında sıcaklık/nem, denizüstü sahalarda basınç/çiy noktası ve çeşitli sahalarda döngüsel yön değişkenleri belirgin tahmin katkısı göstermiştir.
• Residual ACF analizinde belirgin kalıcı otokorelasyon yapısı raporlanmamıştır.

Çalışmanın desteklemediği sonuçlar

• Hibrit model bütün sahalarda en iyi değildir; East Coast'ta persistence modeli daha iyi sonuç vermiştir.
• Model doğrudan rüzgâr türbini elektrik üretimini tahmin etmemiştir.
• Modelin şebeke kararlılığını ölçülmüş saha deneyiyle iyileştirdiği gösterilmemiştir.
• Özellik önem değerleri meteorolojik nedensellik kanıtı değildir.
• 2023 verisiyle elde edilen sonuçlar farklı yıllara, ülkelere ve iklim rejimlerine yeniden doğrulama yapılmadan otomatik olarak genellenemez.
• Çalışma LSTM, GRU, TCN, Informer, Transformer, TFT veya Chronos-2 gibi yeni zaman serisi mimarileriyle doğrudan kapsamlı benchmark karşılaştırması sunmamaktadır.

Sınırlılıklar ve gelecek araştırma yönleri

Kaynak gelecekte modeli daha gelişmiş derin öğrenme ve zaman serisi mimarileriyle karşılaştırmayı önermektedir. LSTM, GRU, Temporal Convolutional Network, Informer, transformer tabanlı modeller, Temporal Fusion Transformer ve yeni zaman serisi foundation modelleri bu kapsamda açıkça belirtilmiştir.

Mevcut çalışma saatlik çözünürlüktedir. Gelecekte 15 dakikalık gibi daha yüksek frekanslı gözlemlerle model performansının incelenmesi önerilmiştir.

En temel uygulama sınırlılığı, rüzgâr hızı tahminlerinin gerçek türbin güç eğrisi veya şebeke dispatch modeliyle bağlanmamış olmasıdır. Bu nedenle gelecekte tahmin hatalarının elektrik üretimi, talep değişimi ve şebeke kararlılığı üzerindeki gerçek etkisinin ayrıca hesaplanması gerekmektedir.

Kaynak ayrıca kayıp veya hatalı sensör verisi altında model dayanıklılığını değerlendirmemektedir. Veri imputasyonu ve fault-tolerant veri işleme yöntemlerinin gelecekte modele eklenmesi önerilmektedir.

Kaynak ve Yöntem Notu

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

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

Sorumlu yazarlar: Shafiqur Rehman ve Iqbal M. Mujtaba.

Kurumlar: 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.

Dergi: Energies.

Yayınevi: MDPI.

Bibliyografik kayıt: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Kaynak türü: Hakemli araştırma makalesi; veri odaklı makine öğrenmesi ve kısa vadeli meteorolojik tahmin çalışması.

Akademik editör: Lars Johanning.

Alınma tarihi: 9 Temmuz 2026.

Revizyon tarihi: 25 Ağustos 2026.

Kabul tarihi: 31 Ağustos 2026.

Yayın tarihi: 3 Eylül 2026.

Lisans: Creative Commons Attribution (CC BY).

Veri kaynağı: NASA POWER meteorolojik veri deposu; 1 Ocak 2023–31 Aralık 2023, saatlik çözünürlük.

Tahmin ufku: Bir saat ileri rüzgâr hızı.

Temel modeller: Random Forest Regression, Artificial Neural Network ve Support Vector Regression.

Meta-model: Linear Regression.

Stacking doğrulaması: Beş katlı out-of-fold çapraz doğrulama.

Veri bölümü: %80 eğitim, %10 doğrulama, %10 test; random state 42.

Hiperparametre optimizasyonu: Beş katlı cross-validation ve MSE skoru ile 10.500 grid-search fit; kaynak yaklaşık 36 saat hesaplama süresi bildirmektedir.

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

Finansman: Çalışmanın dış finansman almadığı belirtilmiştir.

Veri erişilebilirliği: Veri setinin birinci yazarın devam eden yüksek lisans çalışmasının parçası olması nedeniyle kamuya açık olmadığı; makul talep üzerine corresponding author'dan sağlanabileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmiştir.

AI kullanım açıklaması: Yazarlar çalışmanın hazırlanması sırasında ChatGPT 5.0'ın yalnız dil düzenleme ve biçimlendirme önerileri amacıyla kullanıldığını bildirmiştir.

Yazar katkıları: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim ve Fakebba Drammeh kavramsallaştırma, yöntem, araştırma ve ilk taslakta; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby ve Iqbal M. Mujtaba doğrulama, kaynaklar, veri kürasyonu, gözetim ve proje yönetiminde; ilgili yazar grupları görselleştirme ile gözden geçirme/düzenleme aşamalarında görev almıştır.

Temel yöntemsel sınır: Model doğrudan rüzgâr türbini elektrik gücünü veya gerçek şebeke dispatch çıktısını tahmin etmemektedir; yalnız saatlik meteorolojik girdilerden bir saat ileri 50 m rüzgâr hızını tahmin etmektedir. Veri 2023 yılı ve beş Suudi Arabistan konumuyla sınırlıdır. East Coast'ta persistence benchmark hibrit modelden daha güçlüdür. Yeni nesil zaman serisi foundation/deep-learning modelleriyle kapsamlı karşılaştırma, daha yüksek frekanslı veri, farklı yıllarda dış doğrulama ve hatalı/eksik sensör koşulları gelecekte değerlendirilmelidir.