Модели гибридии пешниҳодшудаи пешгӯии суръати шамол, чаҳорчӯбаи омӯзиши мошинӣ бар асоси stacking мебошад, ки барои пешгӯии суръати шамоли як соат баъдӣ пешгӯиҳои Random Forest Regression (RFR), Artificial Neural Network (ANN) ва Support Vector Regression (SVR)-ро бо мета-модели Linear Regression (LR) муттаҳид мекунад. Таҳқиқот аз маълумоти метеорологии соатбайъии соли 2023 дар панҷ минтақаи шамолии хушкӣ ва баҳрии Арабистони Саудӣ — Damat Al-Jandal, Taif, Abha, East Coast ва Red Sea — истифода кардааст. Модели гибридӣ дар чор аз панҷ макон нисбат ба муқоисаҳои ANN, SVR, RFR ва persistence қавитарин иҷрои умумии санҷиширо нишон додааст; баландтарин қимати санҷишии \(R^2\) дар Abha 0,953 будааст. Аммо дар East Coast модели соддаи persistence бо \(R^2=0.963\) аз натиҷаи \(R^2=0.917\)-и модели гибридӣ беҳтар кор кардааст. Маҳдудияти муҳими тафсири таҳқиқот он аст, ки қувваи барқии турбина ё баромади шабакаро мустақим пешгӯӣ намекунад; тағйирёбандаи ҳадаф танҳо суръати шамоли як соат пеш мебошад.

Модел дар баробари тағйирёбандаҳои метеорологӣ барои нигоҳ доштани сохтори даврии вурудҳои периодӣ, аз қабили соат, рӯз, моҳ ва самти шамол, аз Cyclical Temporal Encoding (CTE) бар асоси синус ва косинус истифода мебарад. Барои модели гибридӣ бе CTE \(R^2=0.948\), RMSE=0,96 m/s ва MAE=0,67 m/s гузориш шудааст, дар ҳоле ки бо CTE \(R^2=0.962\), RMSE=0,88 m/s ва MAE=0,61 m/s ба даст омадааст.

Қиматҳои санҷишии Mean Bias Error (MBE) модели гибридӣ дар панҷ майдон аз −0,006 то 0,152 m/s ва қиматҳои Relative Root Mean Square Error (RRMSE) аз %8,731 то %14,710 мебошанд. Ин қиматҳо дар дохили ҳадҳои арзёбии амалиётии истифодашуда дар таҳқиқот қарор доранд. Бо вуҷуди ин, иҷро вобаста ба макон ба таври назаррас тағйир меёбад ва мисоли East Coast нишон медиҳад, ки сохтори оддии persistence-и вақтӣ метавонад дар баъзе қаторҳои кӯтоҳмуддати шамол аз модели мураккаби гибридӣ бартарӣ дошта бошад.

Масъалаи асосии таҳқиқот

Яке аз мушкилоти асосии ҳамгироии энергияи шамол ба шабака тағйирёбии суръати шамол вобаста ба вақт ва шароити метеорологӣ мебошад. Хатоҳои кӯтоҳмуддати пешгӯии суръати шамол метавонанд ба қарорҳои амалиётӣ, аз ҷумла банақшагирии истеҳсол, эҳтиёҷ ба захира, economic dispatch ва мувозинати шабака таъсир расонанд. Аз ин рӯ, таҳқиқот баррасӣ мекунад, ки як равиши ягонаи пешгӯӣ дар майдонҳое, ки потенсиали баланди шамол доранд, вале шароити метеорологии онҳо аз ҳам фарқ мекунад, то чӣ андоза умумисозӣ мешавад.

Муҳаққиқон ба ҷои такя ба танҳо як алгоритми омӯзиши мошинӣ ҳадаф гузоштаанд, ки хусусиятҳои пуркунанда ва мукаммалкунандаи оилаҳои гуногуни моделҳоро якҷо кунанд. RFR метавонад бо сохтори ансамблии дарахтони қарор таъсири мутақобилаи ғайрихаттии тағйирёбандаҳоро омӯзад. ANN метавонад намояндагии бисёрқабатаи ғайрихаттӣ эҷод кунад. SVR бошад бо ядрои RBF дар фазои хусусиятҳои баландандоза регрессияи регуляризатсияшуда месозад. Мета-модели LR пешгӯиҳои фосилавии се моделро муттаҳид карда, пешгӯии ниҳоиро ташкил медиҳад.

Панҷ минтақаи шамолии баррасишуда

Ин интихоб имкон медиҳад, ки ба ҷои як муҳити ягонаи метеорологӣ минтақаҳои ҳамвори шимолӣ, минтақаҳои баландкӯҳи кӯҳӣ ва атмосфераи соҳилии баҳрӣ якҷо арзёбӣ шаванд. Ин гуногунӣ махсусан барои умумисозии модел муҳим аст, зеро саҳми як тағйирёбандаи метеорологӣ ба пешгӯӣ дар ҳар майдон яксон нест.

Сохтори маълумоти метеорологӣ

Таҳқиқот аз манбаи NASA POWER маълумоти метеорологии соатбайъ аз 1 январи 2023 то 31 декабри 2023-ро истифода кардааст. Манбаъ барои ҳар силсилаи солона 8760 мушоҳидаи соатбайъ ва дар маҷмӯъ 10 тағйирёбандаро муайян мекунад.

Ҳадафи пешгӯии як соат пеш чӣ гуна сохта шуд?

Манбаъ тағйирёбандаи суръати шамолро як қадами вақт ба пеш кӯчонидааст. Ҳамин тавр, дар ҳоле ки вурудҳои метеорологии дидаи модел ба лаҳзаи \(t\) тааллуқ доранд, тағйирёбандаи ҳадаф:

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

шудааст. Азбаски ҳалнокии вақтӣ соатбайъ аст, ин сохтор масъалаи пешгӯии як соат пешро ташкил медиҳад.

Ин фарқ махсусан муҳим аст. Модел суръати шамоли ҳамон соатро аз нав намесозад; аз маълумоти соати ҷорӣ истифода карда, барои соати баъдӣ пешгӯӣ ҳосил мекунад.

Стандартизатсияи маълумот ва пешгирии ихроҷи маълумот

Тағйирёбандаҳои вуруд тавре стандартизатсия шудаанд, ки миёнаашон сифр ва каҷравии стандартӣ як бошад. Миқёсдиҳанда танҳо дар маълумоти омӯзишӣ омӯхта шуда, маҷмӯаҳои валидация ва санҷиш бо ҳамон параметрҳои омӯзишӣ табдил дода шудаанд. Ҳамин тариқ, маълумоти тақсимоти маҷмӯаи санҷиш ба марҳилаи омӯзиш ворид нашудааст.

Манбаъ маҷмӯаи маълумотро бо random state 42-и собит ба %80 омӯзиш, %10 валидация ва %10 санҷиш тақсим кардааст.

Модели Гибридии RFR–ANN–SVR–LR Stacking Чӣ Гуна Кор Мекунад?

Модели гибридӣ аввал ба ANN, SVR ва RFR имкон медиҳад, ки аз ҳамон вурудҳои метеорологӣ пешгӯиҳои мустақили ибтидоӣ ҳосил кунанд; сипас мета-модели Linear Regression ин се пешгӯии фосилавиро дар якҷоягӣ бо вурудҳои аслӣ истифода бурда, пешгӯии ниҳоии суръати шамоли як соат баъдро месозад ва бо истифода аз пешгӯиҳои панҷқатаи out-of-fold дар омӯзиши stacking аз омӯхтани пешгӯиҳои аз ҳад хушбинонаи мета-модел дар намунаҳои худи омӯзишӣ маҳдуд карда мешавад.

Қабати аввал: се омӯзандаи асосии гуногун

Random Forest Regression (RFR), пешгӯиҳои дарахтони қарорро, ки дар намунаҳои гуногуни bootstrap омӯзонида шудаанд, муттаҳид мекунад. Дар манбаъ барои сохтори оптимизатсияшуда 50 дарахт ва random state 42 гузориш шудааст.

Artificial Neural Network (ANN), сохтори бисёрқабата бо 256–128–64–32–16 нейронро истифода мебарад. Активатсияи ReLU, Adam optimizer ва суръати омӯзиши 0,001 истифода шудааст; барои регуляризатсияи L2 alpha=0,0001 интихоб шудааст.

Support Vector Regression (SVR), ядрои RBF-ро истифода мебарад. Параметрҳои оптимизатсияшуда \(C=10\), \(\gamma=1\) ва \(\epsilon=0.01\) мебошанд.

Ҷустуҷӯи гиперпараметрҳо

Таҳқиқот grid search-и фарогиреро, ки тақрибан 36 соат давом кардааст, анҷом додааст. Дар маҷмӯъ 10.500 model fit бо cross-validation-и панҷқата ва нишондиҳандаи MSE арзёбӣ шудааст.

Чаро мета-модел мустақиман бо пешгӯиҳои омӯзишии моделҳои асосӣ омӯзонида нашуд?

Модели асосӣ метавонад дар пешгӯиҳои худ дар маълумоти омӯзишӣ аз ҳад хушбин бошад. Агар ин пешгӯиҳо бевосита ба вуруди мета-модел дода шаванд, системаи stacking метавонад иҷрои воқеӣ дар маълумоти надидаеро аз воқеият қавитар омӯзад. Таҳқиқот барои коҳиш додани ин хатар пешгӯиҳои панҷқатаи out-of-fold ҳосил кардааст.

Вуруди мета-модел барои ҳар намунаи омӯзишӣ аз ҷониби модели асосие ҳосил шудааст, ки он намунаро дар омӯзиши худ истифода накардааст. Пас аз такрори ин раванд барои ANN, SVR ва RFR, мета-модели LR дар ин пешгӯиҳои OOF омӯзонида шудааст.

Чаро Кодгузории Даврии Вақт Зарур аст?

Кодгузории даврии вақт пешгирӣ мекунад, ки нуқтаҳои ниҳоии тағйирёбандаҳои периодӣ, аз қабили соат, рӯз ва моҳ, мисли ададҳои хаттӣ аз ҳам дур нишон дода шаванд; масалан, ба ҷои он ки 23:00 ва 00:00 аз ҷиҳати ададӣ 23 воҳид дур намоянд, дар табдили синус-косинус онҳо ҳамчун нуқтаҳои ҳамсояи як давр ифода мешаванд.

Муодилаҳои CTE

Дар манбаъ ду ҷузъи тағйирёбандаҳои даврии вақт чунин муайян шудаанд:

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

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

Дар ин ҷо \(x\), қимати хусусияти даврӣ, аз қабили соат, рӯз ё моҳ аст. \(T\), даври сикли дахлдор мебошад; масалан барои моҳ 12 ва барои соат 24. \(x_{\sin}\) ва \(x_{\cos}\) ҷузъҳои табдилёфтаи беандоза мебошанд.

Ин намояндагии дучена арзиши вақтро ҳамчун мавқеъ дар рӯи доира код мекунад. Ҳамин тавр, нуқтаҳои охир ва аввали давр аз ҷиҳати математикӣ низ ба ҳам наздик мешаванд.

Натиҷаи аблятсияи CTE

Ин ҷадвал саҳми мусбати CTE-ро, ки бо иҷро алоқаманд аст, нишон медиҳад. Аммо манбаъ инчунин таъкид мекунад, ки дар оянда таҳқиқоти фарогири аблятсионӣ бояд анҷом дода шавад, то фоидаи CTE дар ҳамон маҷмӯаҳои омӯзиш ва санҷиш ба таври муфассалтар ҷудо карда шавад.

Чаро аҳамияти хусусият аз майдон ба майдон тағйир ёфт?

Дар таҳлили аҳамияти хусусиятҳо майдонҳои хушкӣ ва баҳрӣ намунаи метеорологии якхела нишон надоданд. Дар минтақаҳои кӯҳии хушкӣ, аз қабили Taif ва Abha, ҳарорат ва намии нисбӣ саҳми равшантари пешгӯӣ нишон доданд. Дар минтақаҳои баҳрӣ, аз қабили Red Sea ва East Coast, фишор ва нуқтаи шабнам муҳимтар шуданд.

Тағйирёбандаҳои самти шамол, ки ба таври даврӣ код шудаанд, \(sin\_wdrxn\) ва \(cos\_wdrxn\), низ дар чанд майдон ва модел муҳим баромаданд.

Ин натиҷаҳои аҳамияти хусусият ченаки сабабияти физикӣ нестанд. Манбаъ махсусан таъкид мекунад, ки харитаҳои аҳамият саҳми иловагии ҳар тағйирёбандаро ба пешгӯии модел нишон медиҳанд; коэффициентҳои тағйирёбандаҳои аз ҷиҳати физикӣ алоқаманд, мисли ҳарорат, намӣ ва нуқтаи шабнам, набояд ҳамчун робитаи мустақими сабабу натиҷа тафсир шаванд.

Усул ва Натиҷаҳои Таҳқиқот

Метрикаҳои арзёбии модел

Таҳқиқот иҷрои моделро на бо як нишондиҳанда, балки бо шаш метрикаи пуркунанда арзёбӣ кардааст: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) ва coefficient of determination \(R^2\).

MAE:

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

MAE масофаи миёнаи мутлақи пешгӯиҳоро аз мушоҳида медиҳад ва барои суръати шамол бо воҳиди m/s ифода мешавад.

RMSE:

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

RMSE хатогиҳои калонро бинобар аъзои квадратӣ сахттар ҷазо медиҳад ва бо воҳиди m/s ифода мешавад.

MBE:

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

MBE тамоюли систематикии баланд ё паст будани пешгӯиҳоро нишон медиҳад. Қимати наздик ба сифр ба ғарази систематикии камтар ишора мекунад.

MAPE:

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

MAPE хатогиро нисбат ба қимати мушоҳидашуда бо фоиз ифода мекунад.

\(R^2\):

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

\(R^2\) нишон медиҳад, ки тағйирёбии мушоҳидашуда то чӣ андоза аз ҷониби модел шарҳ дода мешавад; қимати баландтар ба мутобиқати қавитар ишора мекунад.

Манбаъ инчунин RRMSE-ро ҳамчун ченаки RMSE-и нормализатсияшуда бо фоиз истифода кардааст. Дар Ҷадвали 8 манбаъ қиматҳои истинодии амалиётиро барои MAE <1,5 m/s, барои RMSE <2,0 m/s, барои MBE тақрибан ±0,3 m/s, барои RRMSE <%15, барои MAPE <%20 ва барои \(R^2\) >0,7 пешниҳод кардааст.

Натиҷаҳои санҷишии модели гибридӣ дар панҷ майдон

Баландтарин қимати санҷишии гибридии \(R^2\) дар Abha 0,953 аст. Damat Al-Jandal бо 0,946 ва Taif бо 0,940 пас аз он меоянд. Дар минтақаҳои баҳрӣ иҷро пасттар бошад ҳам, барои East Coast 0,917 ва барои Red Sea 0,896 боқӣ мондааст.

Оё Модели Гибридӣ Дар Ҳар Майдон Беҳтарин Натиҷаро Дод?

Не; модели гибридии RFR–ANN–SVR–LR дар чор аз панҷ майдон қавитарин натиҷаи умумии санҷиширо нишон додааст, аммо дар East Coast пешгӯии оддии persistence бо \(R^2=0.963\) ва RMSE=0,477 m/s аз натиҷаи \(R^2=0.917\) ва RMSE=0,712 m/s-и модели гибридӣ беҳтар будааст; бинобар ин, гуфтан мумкин нест, ки равиши гибридӣ дар ҳар режими метеорологӣ худкор бартарӣ дорад.

Чаро модели persistence муқоисаи муҳим аст?

Пешгӯии persistence суръати шамоли соати баъдро ба суръати шамоли соати ҷорӣ баробар мегирад:

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

Ин усули содда ҳангоми мавҷудияти temporal autocorrelation-и қавӣ дар қаторҳои кӯтоҳмуддати шамол метавонад иҷрои ғайричашмдошт баланд нишон диҳад. Натиҷаи East Coast намунаи равшани ин аст.

Аз ин рӯ, барои модели мураккаби омӯзиши мошинӣ танҳо аз алгоритмҳои дигар, мисли ANN ё RFR, пеш гузаштан кофӣ нест; он бояд нисбат ба benchmark-и қавии persistence низ арзёбӣ шавад.

Муқоисаи моделҳои асосӣ

Мувофиқи натиҷаҳои манбаъ, SVR дар байни моделҳои алоҳида истифодашуда устувортарин усул аст. Қиматҳои санҷишии \(R^2\) тақрибан дар фосилаи 0,87–0,92 боқӣ монда, коҳиши иҷро аз омӯзиш ба санҷиш нисбатан кам будааст.

ANN дар баъзе майдонҳои хушкӣ натиҷаҳои қавӣ нишон додааст, вале дар шароити баҳрӣ иҷрои ҳассостар доштааст. RFR бошад, гарчанде ба маълумоти омӯзишӣ хеле хуб мутобиқ шудааст, дар марҳилаи санҷиш калонтарин талафи иҷро нишон додааст. Манбаъ махсусан гузориш кардааст, ки қиматҳои санҷишии \(R^2\)-и RFR дар East Coast ва Red Sea ба 0,827 ва 0,787 поин рафтаанд.

Муқоисаи қиматҳои воқеӣ ва пешгӯишуда

Расми 11-и манбаъ суръати воқеии шамол ва суръати пешгӯишудаи шамолро барои панҷ майдон муқоиса мекунад. Дар мисоли Damat Al-Jandal модели гибридӣ бо \(R^2=0.946\) аз натиҷаҳои санҷишии 0,917-и SVR, 0,842-и ANN ва 0,796-и RFR гузаштааст.

Ба ҳамин монанд, дар Abha гибридӣ \(R^2=0.953\), SVR 0,927, ANN 0,861 ва RFR 0,820 ба даст овардаанд. Дар графикҳо мувофиқати хаттии зичтари пешгӯиҳои гибридӣ бо қиматҳои мушоҳидашуда дар манбаъ ҳамчун бартарии омӯзиши пуркунандаи модел тафсир шудааст.

Санҷиши Diebold–Mariano

Барои муайян кардани он ки фарқҳои модел танҳо аз андозаи нишондиҳандаҳои иҷро иборатанд ё не, санҷиши Diebold–Mariano (DM) татбиқ шудааст. Манбаъ фарқи талафоти хатои квадратиро чунин муайян мекунад:

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

Ҳамин тавр муайян мекунад.

Дар ин ҷо \(y_t\) суръати мушоҳидашудаи шамол аст; \(\hat{y}_{1,t}\) ва \(\hat{y}_{2,t}\) пешгӯиҳои ду модели муқоисашаванда мебошанд. Дар таҳлили манбаъ сатҳи эътимоди %95 ва остонаи аҳамияти \(\alpha=0.05\) истифода шудааст.

Дар ин се сутуни ошкори муқоисаи гибридӣ ҳамаи фарқҳо \(p<0.05\) мебошанд. Аммо, азбаски манбаъ сутуни чоруми Ҷадвали 10-ро “RFR vs. Persistence” номгузорӣ кардааст, дубора номгузорӣ кардани ин сутун бевосита ҳамчун санҷиши hybrid-vs-persistence аз ҷиҳати илмӣ бехатар нест.

Таҳлили residual autocorrelation

Манбаъ барои панҷ майдон таҳлили Autocorrelation Function (ACF)-и боқимондаҳои пешгӯии модели гибридиро анҷом додааст. Гузориш шудааст, ки коэффициентҳои автокоррелятсия дар лагҳои баррасишуда ба сифр наздик ва дар дохили ҳудудҳои эътимоди %95 боқӣ мондаанд.

Ин бозёфт дастгирӣ мекунад, ки дар доираи маълумоти мавҷуда ва модели сохташуда сохторҳои равшани вақтӣ, ки қавӣ, такроршаванда ва берун аз модел монда бошанд, дар силсилаи residual дида нашудаанд. Бо вуҷуди ин, рафтори residual дар маҷмӯаи яксолаи 2023 исбот намекунад, ки солҳои дигар ё шароити иқлимӣ ба таври худкор ҳамин тавр рафтор мекунанд.

Аҳамияти амалии таҳқиқот

Пешгӯии суръати шамоли як соат пеш метавонад барои power dispatch-и вақти воқеӣ, банақшагирии захира ва мувозинати шабака вуруди метеорологӣ пешниҳод кунад. Татбиқи системаи пешниҳодшуда ҷараёни пайвастаи маълумоти метеорологӣ, ҳамон қадамҳои пешазкоркард, иҷрои мувозии ANN, RFR ва SVR ва сипас иҷрои мета-модели сабуки LR-ро талаб мекунад.

Манбаъ изҳор мекунад, ки сохтори гибридӣ харҷи ҳисоббарориро нисбат ба як модел каме зиёд мекунад, аммо вақти inference дар компютерҳои муосири маркази идоракунӣ барои амалиёти шабакаи вақти воқеӣ кофӣ аст. Азбаски манбаъ вақти мушаххаси inference-ро бо миллисония намедиҳад, дар матни Verianla рақам эҷод нашудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Чаҳорчӯбаи stacking, ки пешгӯиҳои ANN, SVR ва RFR-ро бо мета-модели LR муттаҳид мекунад, дар чор майдон нисбат ба моделҳои асосӣ ва муқоисаи persistence иҷрои қавии умумии санҷиширо таъмин кардааст.
• Баландтарин қимати санҷишии гибридии \(R^2\) дар Abha 0,953 аст.
• Қиматҳои санҷишии MBE модели гибридӣ аз −0,006 то 0,152 m/s ва қиматҳои RRMSE аз %8,731 то %14,710 боқӣ мондаанд.
• Конфигуратсияи аблятсионӣ бо CTE нисбат ба конфигуратсияи бе CTE RMSE ва MAE-и пасттар ва \(R^2\)-и баландтар ҳосил кардааст.
• Аҳамияти хусусият вобаста ба майдон тағйир ёфтааст; дар майдонҳои хушкӣ ҳарорат/намӣ, дар майдонҳои баҳрӣ фишор/нуқтаи шабнам ва дар чанд майдон тағйирёбандаҳои даврии самт саҳми равшани пешгӯӣ нишон додаанд.
• Дар таҳлили Residual ACF сохтори равшани доимии автокоррелятсия гузориш нашудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Модели гибридӣ дар ҳамаи майдонҳо беҳтарин нест; дар East Coast модели persistence натиҷаи беҳтар додааст.
• Модел истеҳсоли барқи турбинаи шамолиро мустақим пешгӯӣ накардааст.
• Нишон дода нашудааст, ки модел устувории шабакаро бо таҷрибаи саҳроии ченшуда беҳтар кардааст.
• Қиматҳои аҳамияти хусусият далели сабабияти метеорологӣ нестанд.
• Натиҷаҳои аз маълумоти 2023 гирифташуда бе валидацияи дубора ба солҳои дигар, кишварҳо ва режимҳои иқлимӣ худкор умумисозӣ намешаванд.
• Таҳқиқот бо меъмориҳои нави қаторҳои вақт, аз қабили LSTM, GRU, TCN, Informer, Transformer, TFT ё Chronos-2, муқоисаи фарогири benchmark-и мустақим пешниҳод намекунад.

Маҳдудиятҳо ва самтҳои таҳқиқоти оянда

Манбаъ пешниҳод мекунад, ки дар оянда модел бо меъмориҳои пешрафтаи омӯзиши амиқ ва қаторҳои вақт муқоиса карда шавад. LSTM, GRU, Temporal Convolutional Network, Informer, моделҳои transformer асосёфта, Temporal Fusion Transformer ва моделҳои нави foundation-и қаторҳои вақт дар ин замина ошкоро зикр шудаанд.

Таҳқиқоти кунунӣ ҳалнокии соатбайъ дорад. Дар оянда пешниҳод шудааст, ки иҷрои модел бо мушоҳидаҳои басомади баландтар, масалан 15 дақиқаӣ, баррасӣ шавад.

Маҳдудияти асосии татбиқӣ ин аст, ки пешгӯиҳои суръати шамол ба каҷи воқеии қувваи турбина ё модели dispatch-и шабака пайваст нашудаанд. Аз ин рӯ, дар оянда таъсири воқеии хатогиҳои пешгӯӣ ба истеҳсоли барқ, тағйири талабот ва устувории шабака бояд алоҳида ҳисоб карда шавад.

Манбаъ инчунин устувории моделро дар шароити маълумоти гумшуда ё нодурусти сенсор арзёбӣ намекунад. Пешниҳод шудааст, ки усулҳои imputatsiya-и маълумот ва коркарди fault-tolerant маълумот дар оянда ба модел илова карда шаванд.

Ёддошт оид ба Манбаъ ва Усул

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

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

Муаллифони масъул: Shafiqur Rehman ва Iqbal M. Mujtaba.

Муассисаҳо: 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.

Маҷалла: Energies.

Ношир: MDPI.

Сабти библиографӣ: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Навъи манбаъ: Мақолаи таҳқиқотии рецензияшуда; омӯзиши мошинӣ бар асоси маълумот ва таҳқиқоти пешгӯии кӯтоҳмуддати метеорологӣ.

Муҳаррири академӣ: Lars Johanning.

Санаи дарёфт: 9 июли 2026.

Санаи ревизия: 25 августи 2026.

Санаи қабул: 31 августи 2026.

Санаи нашр: 3 сентябри 2026.

Литсензия: Creative Commons Attribution (CC BY).

Манбаи маълумот: Анбори маълумоти метеорологии NASA POWER; 1 январи 2023–31 декабри 2023, ҳалнокии соатбайъ.

Уфуқи пешгӯӣ: Суръати шамоли як соат пеш.

Моделҳои асосӣ: Random Forest Regression, Artificial Neural Network ва Support Vector Regression.

Мета-модел: Linear Regression.

Валидацияи stacking: Cross-validation-и панҷқатаи out-of-fold.

Тақсимоти маълумот: %80 омӯзиш, %10 валидация, %10 санҷиш; random state 42.

Оптимизатсияи гиперпараметр: 10.500 grid-search fit бо cross-validation-и панҷқата ва нишондиҳандаи MSE; манбаъ тақрибан 36 соат вақти ҳисоббарорӣ гузориш медиҳад.

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

Маблағгузорӣ: Гузориш шудааст, ки таҳқиқот маблағгузории беруна нагирифтааст.

Дастрасии маълумот: Гузориш шудааст, ки маҷмӯаи маълумот аз сабаби қисми кори идомаёбандаи магистрии муаллифи аввал буданаш оммавӣ нест; бо дархости асоснок аз corresponding author дастрас шуданаш мумкин аст.

Бархӯрди манфиатҳо: Муаллифон изҳор кардаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Изҳороти истифодаи AI: Муаллифон гузориш додаанд, ки ҳангоми омодасозии кор ChatGPT 5.0 танҳо барои таҳрири забон ва пешниҳодҳои форматонӣ истифода шудааст.

Саҳми муаллифон: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim ва Fakebba Drammeh дар консептуализатсия, усул, таҳқиқот ва тарҳи аввал; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby ва Iqbal M. Mujtaba дар валидация, захираҳо, куратсияи маълумот, назорат ва идоракунии лоиҳа; гурӯҳҳои дахлдори муаллифон дар визуализатсия ва баррасӣ/таҳрир иштирок кардаанд.

Маҳдудияти асосии методологӣ: Модел қувваи барқии турбинаи шамолӣ ё баромади воқеии dispatch-и шабакаро мустақим пешгӯӣ намекунад; танҳо аз вурудҳои соатбайъии метеорологӣ суръати шамоли 50 m-и як соат пешро пешгӯӣ мекунад. Маълумот бо соли 2023 ва панҷ макони Арабистони Саудӣ маҳдуд аст. Дар East Coast benchmark-и persistence аз модели гибридӣ қавитар аст. Муқоисаи фарогир бо моделҳои насли нави foundation/deep-learning-и қаторҳои вақт, маълумоти басомади баландтар, валидацияи беруна дар солҳои гуногун ва шароити сенсорҳои нодуруст/гумшуда бояд дар оянда арзёбӣ шаванд.