Muundo mseto uliopendekezwa wa utabiri wa kasi ya upepo ni mfumo wa ujifunzaji wa mashine unaotegemea stacking unaounganisha utabiri wa Random Forest Regression (RFR), Artificial Neural Network (ANN) na Support Vector Regression (SVR) kwa kutumia meta-modeli ya Linear Regression (LR) ili kutabiri kasi ya upepo saa moja mbele. Utafiti ulitumia data za hali ya hewa za kila saa za mwaka 2023 katika maeneo matano ya upepo ya nchi kavu na baharini nchini Saudi Arabia: Damat Al-Jandal, Taif, Abha, East Coast na Red Sea. Muundo mseto ulitoa utendaji bora zaidi wa jumla wa majaribio katika maeneo manne kati ya matano ikilinganishwa na ANN, SVR, RFR na persistence; thamani ya juu zaidi ya majaribio ya \(R^2\) ilikuwa 0,953 huko Abha. Hata hivyo, katika East Coast, muundo rahisi wa persistence ulifanya vizuri zaidi kwa \(R^2=0.963\) kuliko muundo mseto wenye \(R^2=0.917\). Kikomo muhimu cha tafsiri ya utafiti ni kwamba hautabiri moja kwa moja nguvu ya umeme ya turbine au pato la gridi; kigezo lengwa ni kasi ya upepo saa moja mbele pekee.

Mbali na vigezo vya hali ya hewa, muundo hutumia Cyclical Temporal Encoding (CTE) inayotegemea sine na cosine ili kuhifadhi muundo wa mzunguko wa viingizo vya mara kwa mara kama saa, siku, mwezi na mwelekeo wa upepo. Bila CTE, kwa muundo mseto \(R^2=0.948\), RMSE=0,96 m/s na MAE=0,67 m/s ziliripotiwa, huku kwa CTE \(R^2=0.962\), RMSE=0,88 m/s na MAE=0,61 m/s zikapatikana.

Thamani za majaribio za Mean Bias Error (MBE) za muundo mseto katika maeneo matano zilikuwa kati ya −0,006 na 0,152 m/s, huku Relative Root Mean Square Error (RRMSE) ikiwa kati ya %8,731 na %14,710. Thamani hizi zilibaki ndani ya vizingiti vya tathmini ya kiutendaji vilivyotumiwa katika utafiti. Hata hivyo, utendaji hutofautiana kwa kiasi kikubwa kulingana na eneo, na mfano wa East Coast unaonyesha kuwa muundo rahisi wa persistence wa muda unaweza kushinda muundo changamano mseto katika baadhi ya mfululizo wa upepo wa muda mfupi.

Tatizo kuu la utafiti

Moja ya changamoto kuu katika kuunganisha nishati ya upepo kwenye gridi ni kwamba kasi ya upepo hubadilika kulingana na muda na hali za hali ya hewa. Makosa ya utabiri wa muda mfupi wa kasi ya upepo yanaweza kuathiri maamuzi ya uendeshaji kama kupanga uzalishaji, mahitaji ya akiba, economic dispatch na kusawazisha gridi. Kwa hiyo utafiti unachunguza ni kwa kiwango gani mbinu moja ya utabiri inaweza kujumlishwa hasa katika maeneo yenye uwezo mkubwa wa upepo lakini yenye hali tofauti za hali ya hewa.

Watafiti walilenga kuunganisha sifa zinazokamilishana za familia tofauti za miundo badala ya kutegemea algoriti moja tu ya ujifunzaji wa mashine. RFR inaweza kujifunza mwingiliano usio wa mstari wa vigezo kupitia muundo wa mkusanyiko wa miti ya maamuzi. ANN inaweza kuunda uwakilishi wa tabaka nyingi usio wa mstari. SVR huunda regresha iliyoratibiwa katika nafasi ya vipengele yenye vipimo vingi kwa kutumia kernel ya RBF. Meta-modeli ya LR huunganisha utabiri wa kati unaotolewa na miundo hii mitatu ili kutengeneza utabiri wa mwisho.

Maeneo matano ya upepo yaliyochunguzwa

Uchaguzi huu unawezesha kutathmini kwa pamoja maeneo tambarare ya kaskazini, maeneo ya milimani yenye mwinuko mkubwa na mazingira ya anga ya pwani ya bahari badala ya mazingira moja ya hali ya hewa. Utofauti huu ni muhimu hasa kwa uenezaji wa muundo, kwa sababu mchango wa utabiri wa kigezo kilekile cha hali ya hewa si sawa katika kila eneo.

Muundo wa data za hali ya hewa

Utafiti ulitumia taarifa za hali ya hewa za kila saa kutoka chanzo cha data cha NASA POWER kati ya 1 Januari 2023 na 31 Desemba 2023. Chanzo kinafafanua uchunguzi wa saa 8760 kwa kila mfululizo wa mwaka na jumla ya vigezo 10.

Lengo la utabiri wa saa moja mbele liliundwaje?

Chanzo kilisogeza kigezo cha kasi ya upepo hatua moja ya muda mbele. Hivyo, ingawa viingizo vya hali ya hewa vinavyoonekana na muundo ni vya wakati \(t\), kigezo lengwa kilikuwa:

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

Kwa kuwa azimio la data ni la kila saa, muundo huu huunda tatizo la utabiri wa saa moja mbele.

Tofauti hii ni muhimu hasa. Muundo hauundi upya kasi ya upepo ya saa hiyohiyo; unajaribu kutoa utabiri wa saa inayofuata kwa kutumia taarifa za saa ya sasa.

Usanifishaji wa data na kuzuia uvujaji wa data

Vigezo vya kuingiza vilisanifishwa ili wastani uwe sifuri na mkengeuko wa kawaida uwe moja. Kipimaji kilijifunzwa kwenye data za mafunzo pekee, na seti za uthibitishaji na majaribio zilibadilishwa kwa vigezo vilevile vilivyojifunzwa kwenye mafunzo. Kwa njia hii, taarifa ya usambazaji wa seti ya majaribio haikuingizwa katika hatua ya mafunzo.

Chanzo kiligawa seti ya data kwa random state 42 isiyobadilika kuwa %80 mafunzo, %10 uthibitishaji na %10 majaribio.

Muundo Mseto wa RFR–ANN–SVR–LR Stacking Unafanyaje Kazi?

Muundo mseto kwanza huruhusu ANN, SVR na RFR kutoa utabiri wa awali unaojitegemea kutokana na viingizo vilevile vya hali ya hewa; kisha meta-modeli ya Linear Regression hutumia utabiri huo wa kati pamoja na viingizo asilia kuunda utabiri wa mwisho wa kasi ya upepo saa moja baadaye, na katika mafunzo ya stacking utabiri wa out-of-fold wa mikunjo mitano hutumiwa ili kupunguza meta-modeli kujifunza utabiri wenye matumaini kupita kiasi kwenye sampuli zake yenyewe za mafunzo.

Safu ya kwanza: wajifunzaji watatu tofauti wa msingi

Random Forest Regression (RFR) huunganisha utabiri wa miti ya maamuzi iliyofunzwa kwenye sampuli tofauti za bootstrap. Kwa muundo ulioboreshwa, chanzo kimeripoti miti 50 na random state 42.

Artificial Neural Network (ANN) hutumia muundo wa tabaka nyingi wenye neuroni 256–128–64–32–16. Uamilishaji wa ReLU, Adam optimizer na kiwango cha ujifunzaji cha 0,001 vilitumika; alpha=0,0001 ilichaguliwa kwa uratibu wa L2.

Support Vector Regression (SVR) hutumia kernel ya RBF. Vigezo vilivyoboreshwa ni \(C=10\), \(\gamma=1\) na \(\epsilon=0.01\).

Utafutaji wa hyperparameter

Utafiti ulifanya grid search ya kina iliyodumu takriban saa 36. Jumla ya model fit 10.500 zilitathminiwa kwa cross-validation ya mikunjo mitano na alama ya MSE.

Kwa nini meta-modeli haikufunzwa moja kwa moja kwa utabiri wa mafunzo wa miundo ya msingi?

Muundo wa msingi unaweza kuwa na matumaini kupita kiasi katika utabiri unaoutoa kwenye data zake za mafunzo. Ikiwa utabiri huu utawekwa moja kwa moja kama viingizo vya meta-modeli, mfumo wa stacking unaweza kujifunza utendaji wa data isiyoonekana kuwa bora kuliko ulivyo kweli. Utafiti ulitoa utabiri wa out-of-fold wa mikunjo mitano ili kupunguza hatari hii.

Kwa kila sampuli ya mafunzo, ingizo la meta-modeli lilitolewa na muundo wa msingi ambao haukutumia sampuli hiyo katika mafunzo yake. Baada ya mchakato huu kurudiwa kwa ANN, SVR na RFR, meta-modeli ya LR ilifunzwa kwenye utabiri huu wa OOF.

Kwa Nini Usimbaji wa Muda wa Mzunguko Unahitajika?

Usimbaji wa muda wa mzunguko huzuia ncha za vigezo vya mara kwa mara kama saa, siku na mwezi kuonyeshwa kana kwamba ziko mbali kwa kutumia nambari za mstari; kwa mfano, badala ya 23:00 na 00:00 kuonekana zimetenganishwa na vitengo 23 kwa nambari, katika ubadilishaji wa sine-cosine zinawakilishwa kama nukta jirani za mzunguko mmoja.

Milinganyo ya CTE

Katika chanzo, vipengele viwili vya vigezo vya muda wa mzunguko vimefafanuliwa kama ifuatavyo:

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

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

Hapa \(x\) ni thamani ya kipengele cha mzunguko kama saa, siku au mwezi. \(T\) ni kipindi cha mzunguko husika; kwa mfano 12 kwa mwezi na 24 kwa saa. \(x_{\sin}\) na \(x_{\cos}\) ni vipengele vilivyobadilishwa visivyo na kipimo.

Uwakilishi huu wa vipimo viwili husimba thamani ya muda kama nafasi kwenye duara. Hivyo nukta mwishoni na mwanzoni mwa kipindi huwa karibu pia kimahesabu.

Matokeo ya ablasha ya CTE

Jedwali hili linaonyesha mchango chanya wa CTE unaohusiana na utendaji. Hata hivyo, chanzo pia kinaeleza kwamba utafiti wa kina zaidi wa ablasha unapaswa kufanywa baadaye ili kutenganisha kwa undani zaidi faida ya CTE chini ya seti zilezile za mafunzo na majaribio.

Kwa nini umuhimu wa vipengele ulitofautiana kutoka eneo hadi eneo?

Katika uchambuzi wa umuhimu wa vipengele wa muundo, maeneo ya nchi kavu na baharini hayakuonyesha muundo mmoja wa hali ya hewa. Katika maeneo ya milimani ya nchi kavu kama Taif na Abha, joto na unyevu jamaa vilionyesha mchango wa wazi zaidi katika utabiri. Katika maeneo ya baharini kama Red Sea na East Coast, shinikizo na kiwango cha umande vikawa muhimu zaidi.

Vigezo vya mwelekeo wa upepo vilivyosimbwa kimzunguko, \(sin\_wdrxn\) na \(cos\_wdrxn\), pia vilionekana kuwa muhimu katika maeneo na miundo kadhaa.

Matokeo haya ya umuhimu wa vipengele si kipimo cha usababishaji wa kimwili. Chanzo kinasisitiza kwamba ramani za umuhimu huonyesha mchango wa ziada wa kila kigezo kwenye utabiri wa muundo; kwa vigezo vinavyohusiana kimwili kama joto, unyevu na kiwango cha umande, koefishenti hazipaswi kufasiriwa moja kwa moja kama sababu na matokeo.

Mbinu na Matokeo ya Utafiti

Vipimo vya tathmini ya muundo

Utafiti ulitathmini utendaji wa muundo si kwa alama moja bali kwa vipimo sita vinavyokamilishana: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) na coefficient of determination \(R^2\).

MAE:

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

MAE hutoa umbali wa wastani wa thamani kamili kati ya utabiri na uchunguzi na ina kitengo cha m/s kwa kasi ya upepo.

RMSE:

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

RMSE huadhibu makosa makubwa zaidi kutokana na kipengele cha mraba na ina kitengo cha m/s.

MBE:

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

MBE huonyesha mwelekeo wa utabiri kuwa juu au chini kwa mfumo. Thamani karibu na sifuri inaashiria upendeleo mdogo wa kimfumo.

MAPE:

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

MAPE huonyesha kosa kama asilimia kulingana na thamani iliyoangaliwa.

\(R^2\):

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

\(R^2\) huonyesha kiwango ambacho utofauti ulioangaliwa unaelezwa na muundo; thamani kubwa zaidi inaashiria ulinganifu wenye nguvu zaidi.

Chanzo pia kilitumia RRMSE kama kipimo cha RMSE kilichonormalishwa kwa asilimia. Katika Jedwali 8, chanzo kiliwasilisha thamani za marejeo ya kiutendaji kama <1,5 m/s kwa MAE, <2,0 m/s kwa RMSE, takriban ±0,3 m/s kwa MBE, <%15 kwa RRMSE, <%20 kwa MAPE na >0,7 kwa \(R^2\).

Matokeo ya majaribio ya muundo mseto katika maeneo matano

Thamani ya juu zaidi ya majaribio ya mseto ya \(R^2\) ilikuwa 0,953 huko Abha. Damat Al-Jandal inafuata kwa 0,946 na Taif kwa 0,940. Katika maeneo ya baharini utendaji ulikuwa chini zaidi, lakini ulibaki 0,917 kwa East Coast na 0,896 kwa Red Sea.

Je, Muundo Mseto Ulitoa Matokeo Bora Zaidi Katika Kila Eneo?

Hapana; ingawa muundo mseto wa RFR–ANN–SVR–LR ulitoa matokeo bora zaidi ya jumla ya majaribio katika maeneo manne kati ya matano, katika East Coast utabiri rahisi wa persistence wenye \(R^2=0.963\) na RMSE=0,477 m/s ulifanya vizuri kuliko muundo mseto wenye \(R^2=0.917\) na RMSE=0,712 m/s; kwa hiyo haiwezi kusemwa kwamba mbinu mseto ni bora kiotomatiki katika kila rejimu ya hali ya hewa.

Kwa nini muundo wa persistence ni ulinganisho muhimu?

Utabiri wa persistence huchukulia kasi ya upepo ya saa inayofuata kuwa sawa na ya saa ya sasa:

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

Njia hii rahisi inaweza kutoa utendaji wa kushangaza wakati mfululizo wa muda mfupi wa upepo una temporal autocorrelation yenye nguvu. Matokeo ya East Coast ni mfano wazi wa hilo.

Kwa hiyo, haitoshi kwa muundo changamano wa ujifunzaji wa mashine kuzidi tu algoriti nyingine kama ANN au RFR; pia unapaswa kutathminiwa dhidi ya benchmark yenye nguvu ya persistence.

Ulinganisho wa miundo ya msingi

Kulingana na matokeo ya chanzo, SVR ndiyo njia thabiti zaidi kati ya miundo iliyotumiwa peke yake. Thamani za majaribio za \(R^2\) zilibaki takriban kati ya 0,87–0,92 na kupungua kwa utendaji kati ya mafunzo na majaribio kulikuwa kwa kiwango kidogo.

ANN ilitoa matokeo mazuri katika baadhi ya maeneo ya nchi kavu lakini ilionyesha utendaji unaoathiriwa zaidi na hali za baharini. RFR, ingawa ililingana vizuri sana na data za mafunzo, ilionyesha upungufu mkubwa zaidi wa utendaji katika hatua ya majaribio. Chanzo kiliripoti hasa kwamba thamani za majaribio za \(R^2\) za RFR zilishuka hadi 0,827 na 0,787 katika East Coast na Red Sea.

Ulinganisho wa thamani halisi na zilizotabiriwa

Kielelezo 11 cha chanzo kinalinganisha kasi halisi ya upepo na kasi iliyotabiriwa kwa maeneo matano. Katika mfano wa Damat Al-Jandal, muundo mseto wenye \(R^2=0.946\) ulizidi matokeo ya majaribio ya 0,917 kwa SVR, 0,842 kwa ANN na 0,796 kwa RFR.

Vilevile huko Abha, muundo mseto ulifikia \(R^2=0.953\), SVR 0,927, ANN 0,861 na RFR 0,820. Katika grafu, ulinganifu wa mstari ulio karibu zaidi kati ya utabiri wa mseto na thamani zilizoangaliwa umefasiriwa katika chanzo kama faida ya ujifunzaji wa kukamilishana wa muundo.

Jaribio la Diebold–Mariano

Ili kuchunguza kama tofauti za miundo ni zaidi ya ukubwa wa alama za utendaji pekee, jaribio la Diebold–Mariano (DM) lilitumika. Chanzo kinafafanua tofauti kati ya upotevu wa kosa la mraba kama:

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

Hivyo ndivyo inavyofafanuliwa.

Hapa \(y_t\) ni kasi ya upepo iliyoangaliwa; \(\hat{y}_{1,t}\) na \(\hat{y}_{2,t}\) ni utabiri wa miundo miwili inayolinganishwa. Katika uchambuzi wa chanzo, kiwango cha kujiamini cha %95 na kizingiti cha umuhimu cha \(\alpha=0.05\) kilitumika.

Katika safu hizi tatu za wazi za ulinganisho wa mseto, tofauti zote ni \(p<0.05\). Hata hivyo, kwa kuwa chanzo kiliweka lebo “RFR vs. Persistence” kwenye safu ya nne ya Jedwali 10, si salama kisayansi kuipa tena jina moja kwa moja kama jaribio la hybrid-vs-persistence.

Uchambuzi wa residual autocorrelation

Chanzo kilifanya uchambuzi wa Autocorrelation Function (ACF) kwa mabaki ya utabiri wa muundo mseto katika maeneo matano. Iliripotiwa kuwa koefishenti za otokorelesheni katika lag zilizochunguzwa zilikuwa karibu na sifuri na ndani ya mipaka ya kujiamini ya %95.

Ugunduzi huu unaunga mkono kwamba, chini ya data iliyopo na muundo ulioundwa, hakukuonekana miundo ya muda iliyo wazi, yenye nguvu, inayojirudia na iliyoachwa nje ya muundo katika mfululizo wa residual. Hata hivyo, tabia ya residual katika seti ya data ya mwaka mmoja ya 2023 haithibitishi kwamba miaka tofauti au hali tofauti za tabianchi zitafuata tabia hiyohiyo moja kwa moja.

Maana ya kivitendo ya utafiti

Utabiri wa kasi ya upepo saa moja mbele unaweza kutoa ingizo la hali ya hewa kwa real-time power dispatch, upangaji wa akiba na kusawazisha gridi. Kutekeleza mfumo uliopendekezwa kunahitaji mtiririko endelevu wa data za hali ya hewa, hatua zilezile za uchakataji wa awali, kuendesha ANN, RFR na SVR sambamba, na kisha kutekeleza meta-modeli nyepesi ya LR.

Chanzo kinaeleza kuwa muundo mseto huongeza kiasi fulani gharama za hesabu ikilinganishwa na muundo mmoja, lakini muda wa inference unatosha kwa uendeshaji wa gridi wa wakati halisi kwenye kompyuta za kisasa za kituo cha udhibiti. Kwa kuwa chanzo hakitoi muda mahususi wa inference kwa milisekunde, hakuna namba iliyobuniwa katika maandishi ya Verianla.

Matokeo yanayoungwa mkono na utafiti

• Mfumo wa stacking unaounganisha utabiri wa ANN, SVR na RFR kwa meta-modeli ya LR ulitoa utendaji mkubwa wa jumla wa majaribio katika maeneo manne ikilinganishwa na miundo ya msingi na persistence.
• Thamani ya juu zaidi ya majaribio ya mseto ya \(R^2\) ni 0,953 huko Abha.
• Thamani za majaribio za MBE za muundo mseto zilibaki kati ya −0,006 na 0,152 m/s, huku RRMSE ikiwa kati ya %8,731 na %14,710.
• Usanidi wa ablasha wenye CTE ulitoa RMSE na MAE za chini na \(R^2\) ya juu kuliko usanidi bila CTE.
• Umuhimu wa vipengele ulitofautiana kulingana na eneo; joto/unyevu katika maeneo ya nchi kavu, shinikizo/kiwango cha umande katika maeneo ya baharini, na vigezo vya mwelekeo wa mzunguko katika maeneo mbalimbali vilionyesha mchango dhahiri wa utabiri.
• Katika uchambuzi wa Residual ACF, hakuna muundo wa kudumu wa otokorelesheni ulio wazi ulioripotiwa.

Matokeo yasiyoungwa mkono na utafiti

• Muundo mseto si bora katika maeneo yote; katika East Coast muundo wa persistence ulitoa matokeo bora.
• Muundo haukutabiri moja kwa moja uzalishaji wa umeme wa turbine ya upepo.
• Haijaonyeshwa kuwa muundo umeboresha uthabiti wa gridi kupitia jaribio la shambani lililopimwa.
• Thamani za umuhimu wa vipengele si ushahidi wa usababishaji wa hali ya hewa.
• Matokeo yaliyopatikana kwa data za 2023 hayawezi kujumlishwa moja kwa moja kwa miaka, nchi na rejimu za tabianchi tofauti bila uthibitishaji upya.
• Utafiti hautoi ulinganisho mpana wa moja kwa moja wa benchmark na usanifu mpya wa mfululizo wa muda kama LSTM, GRU, TCN, Informer, Transformer, TFT au Chronos-2.

Vikwazo na mwelekeo wa utafiti wa baadaye

Chanzo kinapendekeza kulinganisha muundo baadaye na usanifu wa kina zaidi wa deep learning na mfululizo wa muda. LSTM, GRU, Temporal Convolutional Network, Informer, miundo inayotegemea transformer, Temporal Fusion Transformer na miundo mipya ya foundation ya mfululizo wa muda imetajwa wazi katika muktadha huu.

Utafiti wa sasa una azimio la kila saa. Katika siku zijazo, imependekezwa kuchunguza utendaji wa muundo kwa uchunguzi wenye marudio ya juu zaidi kama wa dakika 15.

Kikomo kikuu cha matumizi ni kwamba utabiri wa kasi ya upepo haujaunganishwa na curve halisi ya nguvu ya turbine au muundo wa dispatch wa gridi. Kwa hiyo, athari halisi za makosa ya utabiri kwa uzalishaji wa umeme, mabadiliko ya mahitaji na uthabiti wa gridi zinapaswa kuhesabiwa kando katika siku zijazo.

Chanzo pia hakitathmini uimara wa muundo chini ya data za sensa zilizokosekana au zenye makosa. Inaelekezwa kwamba mbinu za imputatsiya ya data na uchakataji wa data wa fault-tolerant ziongezwe kwenye muundo baadaye.

Maelezo ya Chanzo na Mbinu

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

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

Waandishi wanaowajibika: Shafiqur Rehman na Iqbal M. Mujtaba.

Taasisi: 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.

Jarida: Energies.

Mchapishaji: MDPI.

Rekodi ya kibiblia: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu; utafiti wa ujifunzaji wa mashine unaotegemea data na utabiri wa muda mfupi wa hali ya hewa.

Mhariri wa kitaaluma: Lars Johanning.

Tarehe ya kupokelewa: 9 Julai 2026.

Tarehe ya marekebisho: 25 Agosti 2026.

Tarehe ya kukubaliwa: 31 Agosti 2026.

Tarehe ya kuchapishwa: 3 Septemba 2026.

Leseni: Creative Commons Attribution (CC BY).

Chanzo cha data: Hifadhi ya data za hali ya hewa ya NASA POWER; 1 Januari 2023–31 Desemba 2023, azimio la kila saa.

Upeo wa utabiri: Kasi ya upepo saa moja mbele.

Miundo ya msingi: Random Forest Regression, Artificial Neural Network na Support Vector Regression.

Meta-modeli: Linear Regression.

Uthibitishaji wa stacking: Cross-validation ya out-of-fold ya mikunjo mitano.

Mgawanyo wa data: %80 mafunzo, %10 uthibitishaji, %10 majaribio; random state 42.

Uboreshaji wa hyperparameter: 10.500 grid-search fit kwa cross-validation ya mikunjo mitano na alama ya MSE; chanzo kinaripoti takriban saa 36 za muda wa hesabu.

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

Ufadhili: Imeripotiwa kuwa utafiti haukupokea ufadhili wa nje.

Upatikanaji wa data: Imeripotiwa kuwa seti ya data haiko wazi kwa umma kwa sababu ni sehemu ya utafiti wa shahada ya uzamili unaoendelea wa mwandishi wa kwanza; inaweza kutolewa na corresponding author kwa ombi la msingi.

Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

Taarifa ya matumizi ya AI: Waandishi wameripoti kuwa wakati wa kuandaa kazi ChatGPT 5.0 ilitumika tu kwa uhariri wa lugha na mapendekezo ya uumbizaji.

Michango ya waandishi: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim na Fakebba Drammeh walihusika katika dhana, mbinu, uchunguzi na rasimu ya kwanza; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby na Iqbal M. Mujtaba katika uthibitishaji, rasilimali, usimamizi wa data, usimamizi na usimamizi wa mradi; makundi husika ya waandishi yalishiriki katika uonyeshaji na hatua za mapitio/uhariri.

Kikomo kikuu cha kimetodolojia: Muundo hautabiri moja kwa moja nguvu ya umeme ya turbine ya upepo au pato halisi la dispatch la gridi; unatabiri tu kasi ya upepo ya 50 m saa moja mbele kutoka kwa viingizo vya hali ya hewa vya kila saa. Data imewekewa mipaka ya mwaka 2023 na maeneo matano nchini Saudi Arabia. Katika East Coast, benchmark ya persistence ni bora kuliko muundo mseto. Ulinganisho mpana na miundo ya kizazi kipya ya foundation/deep-learning ya mfululizo wa muda, data za marudio ya juu, uthibitishaji wa nje katika miaka tofauti na hali za sensa zenye makosa/zilizokosekana zinapaswa kutathminiwa siku zijazo.