Taklif etilgan gibrid shamol tezligini prognozlash modeli, bir soat keyingi shamol tezligini prognozlash uchun Random Forest Regression (RFR), Artificial Neural Network (ANN) va Support Vector Regression (SVR) modellari prognozlarini Linear Regression (LR) meta-modeli bilan birlashtiradigan stacking asosidagi mashinaviy o‘rganish doirasidir. Tadqiqot Saudiya Arabistonidagi Damat Al-Jandal, Taif, Abha, East Coast va Red Sea deb nomlangan beshta quruqlik va dengiz usti shamol hududida 2023-yilning soatlik meteorologik ma’lumotlaridan foydalangan. Gibrid model beshta joyning to‘rttasida ANN, SVR, RFR va persistence bilan taqqoslaganda eng kuchli umumiy test natijasini ko‘rsatgan; eng yuqori test \(R^2\) qiymati Abhada 0,953 bo‘lgan. Biroq East Coastda oddiy persistence modeli \(R^2=0.963\) bilan gibrid modelning \(R^2=0.917\) natijasidan yaxshiroq ishlagan. Tadqiqotning muhim talqin chegarasi shundaki, u to‘g‘ridan-to‘g‘ri turbina elektr quvvatini yoki tarmoq chiqishini prognozlamaydi; maqsad o‘zgaruvchi faqat bir soat oldinga shamol tezligidir.

Model meteorologik o‘zgaruvchilardan tashqari soat, kun, oy va shamol yo‘nalishi kabi davriy kirishlarning siklik tuzilishini saqlash uchun sinus va kosinusga asoslangan Cyclical Temporal Encoding (CTE) dan foydalanadi. CTEsiz gibrid model uchun \(R^2=0.948\), RMSE=0,96 m/s va MAE=0,67 m/s qayd etilgan bo‘lsa, CTE bilan \(R^2=0.962\), RMSE=0,88 m/s va MAE=0,61 m/s olingan.

Gibrid modelning besh maydondagi test Mean Bias Error (MBE) qiymatlari −0,006 dan 0,152 m/s gacha, Relative Root Mean Square Error (RRMSE) qiymatlari esa %8,731 dan %14,710 gacha bo‘lgan. Bu qiymatlar tadqiqotda qo‘llangan operatsion baholash chegaralari ichida qoladi. Shunga qaramay, natija joylashuvga qarab sezilarli o‘zgaradi va East Coast misoli oddiy vaqt persistence tuzilmasi ayrim qisqa muddatli shamol qatorlarida murakkab gibrid modeldan ustun bo‘lishi mumkinligini ko‘rsatadi.

Tadqiqotning asosiy muammosi

Shamol energiyasini elektr tarmog‘iga integratsiya qilishdagi asosiy qiyinchiliklardan biri shamol tezligining vaqt va meteorologik sharoitlarga bog‘liq ravishda o‘zgarishidir. Shamol tezligini qisqa muddatli prognozlashdagi xatolar ishlab chiqarishni rejalashtirish, zaxira ehtiyoji, iqtisodiy dispatch va tarmoqni muvozanatlash kabi operatsion qarorlarga ta’sir qilishi mumkin. Shu sababli tadqiqot, ayniqsa, shamol salohiyati yuqori, ammo meteorologik sharoitlari bir-biridan farq qiladigan maydonlarda bitta prognozlash yondashuvi qay darajada umumlashtirilishi mumkinligini o‘rganadi.

Tadqiqotchilar faqat bitta mashinaviy o‘rganish algoritmiga tayanish o‘rniga turli model oilalarining bir-birini to‘ldiruvchi xususiyatlarini birlashtirishni maqsad qilgan. RFR qaror daraxtlari ansambli orqali chiziqli bo‘lmagan o‘zgaruvchilar o‘zaro ta’sirlarini o‘rganishi mumkin. ANN ko‘p qatlamli chiziqli bo‘lmagan tasvir yaratishi mumkin. SVR esa RBF yadrosi yordamida yuqori o‘lchamli xususiyatlar fazosida regulyarizatsiyalangan regressiya quradi. LR meta-modeli ushbu uch model yaratgan oraliq prognozlarni birlashtirib yakuniy prognozni hosil qiladi.

O‘rganilgan besh shamol hududi

Bu tanlov bir xil meteorologik muhit o‘rniga tekis shimoliy hududlar, baland tog‘li joylar va dengiz sohilidagi atmosferalarni birgalikda baholash imkonini beradi. Bunday xilma-xillik modelning umumlashtirilishi nuqtayi nazaridan ayniqsa muhim, chunki bir xil meteorologik o‘zgaruvchining prognozga hissasi har bir maydonda bir xil emas.

Meteorologik ma’lumotlar tuzilishi

Tadqiqot NASA POWER ma’lumot manbasidan 1-yanvar 2023 dan 31-dekabr 2023 gacha bo‘lgan soatlik meteorologik ma’lumotlardan foydalangan. Manba har bir yillik qator uchun 8760 soatlik kuzatuv va jami 10 ta o‘zgaruvchini belgilaydi.

Bir soat oldinga prognoz maqsadi qanday yaratildi?

Manba shamol tezligi o‘zgaruvchisini bir vaqt qadami oldinga siljitgan. Shunday qilib, model ko‘radigan meteorologik kirishlar \(t\) vaqtiga tegishli bo‘lsa, maqsad o‘zgaruvchi:

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

bo‘lgan. Ma’lumotlar vaqt rezolyutsiyasi soatlik bo‘lgani sababli bu tuzilma bir soat oldinga prognozlash muammosini hosil qiladi.

Bu farq ayniqsa muhim. Model ayni soatdagi shamol tezligini qayta tiklamaydi; joriy soat ma’lumotlaridan foydalanib keyingi soat uchun prognoz ishlab chiqishga harakat qiladi.

Ma’lumotlarni standartlashtirish va ma’lumot sizib chiqishining oldini olish

Kirish o‘zgaruvchilari o‘rtacha qiymati nol va standart og‘ishi bir bo‘ladigan tarzda standartlashtirilgan. Masshtablagich faqat o‘qitish ma’lumotlarida o‘rganilgan, validatsiya va test to‘plamlari xuddi shu o‘qitish parametrlari bilan o‘zgartirilgan. Shu tariqa test to‘plamining taqsimot ma’lumoti o‘qitish bosqichiga uzatilmagan.

Manba ma’lumotlar to‘plamini qat’iy random state 42 bilan %80 o‘qitish, %10 validatsiya va %10 test qismlariga bo‘lgan.

Gibrid RFR–ANN–SVR–LR Stacking Modeli Qanday Ishlaydi?

Gibrid model avval ANN, SVR va RFR ga bir xil meteorologik kirishlardan mustaqil dastlabki prognozlar yaratishga imkon beradi; so‘ng Linear Regression meta-modeli ushbu uch oraliq prognozni asl kirishlar bilan birga ishlatib bir soat keyingi yakuniy shamol tezligi prognozini hosil qiladi va stacking o‘qitishida besh qatlamli out-of-fold prognozlar ishlatilishi orqali meta-modelning o‘z o‘qitish namunalaridagi haddan tashqari optimistik prognozlarni o‘rganishi cheklanadi.

Birinchi qatlam: uch xil asosiy o‘rganuvchi

Random Forest Regression (RFR), turli bootstrap namunalarida o‘qitilgan qaror daraxtlari prognozlarini birlashtiradi. Manbada optimallashtirilgan tuzilma uchun 50 ta daraxt va random state 42 qayd etilgan.

Artificial Neural Network (ANN), 256–128–64–32–16 neyronli ko‘p qatlamli tuzilmadan foydalanadi. ReLU aktivatsiyasi, Adam optimizer va 0,001 o‘rganish tezligi ishlatilgan; L2 regulyarizatsiyasi uchun alpha=0,0001 tanlangan.

Support Vector Regression (SVR), RBF yadrosidan foydalanadi. Optimallashtirilgan parametrlar \(C=10\), \(\gamma=1\) va \(\epsilon=0.01\) dir.

Giperparametr izlash

Tadqiqot taxminan 36 soat davom etgan keng qamrovli grid searchni amalga oshirgan. Jami 10.500 ta model moslashtirishi besh qatlamli kross-validatsiya va MSE skori yordamida baholangan.

Nega meta-model to‘g‘ridan-to‘g‘ri asosiy modellarning o‘qitish prognozlari bilan o‘qitilmadi?

Asosiy model o‘z o‘qitish ma’lumotlarida yaratgan prognozlarida haddan tashqari optimistik bo‘lishi mumkin. Agar bu prognozlar to‘g‘ridan-to‘g‘ri meta-model kirishiga aylantirilsa, stacking tizimi haqiqiy ko‘rilmagan ma’lumotlar unumdorligini aslidan kuchliroq deb o‘rganishi mumkin. Tadqiqot bu xavfni kamaytirish uchun besh qatlamli out-of-fold prognoz ishlab chiqargan.

Har bir o‘qitish namunasining meta-model kirishi o‘sha namunani o‘z o‘qitishida ishlatmagan asosiy model tomonidan yaratilgan. Bu jarayon ANN, SVR va RFR uchun takrorlangach, LR meta-modeli ushbu OOF prognozlarda o‘qitilgan.

Siklik Vaqt Kodlash Nega Kerak?

Siklik vaqt kodlash soat, kun va oy kabi davriy o‘zgaruvchilarning chekka nuqtalarini chiziqli sonlar kabi bir-biridan uzoq ko‘rsatishning oldini oladi; masalan, 23:00 va 00:00 son jihatidan 23 birlik uzoq ko‘rinish o‘rniga sinus-kosinus o‘zgartirishida bir xil siklning qo‘shni nuqtalari sifatida ifodalanadi.

CTE tenglamalari

Manbada siklik vaqt o‘zgaruvchilarining ikki komponenti quyidagicha aniqlangan:

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

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

Bu yerda \(x\), soat, kun yoki oy kabi siklik xususiyat qiymatidir. \(T\), tegishli sikl davridir; masalan, oy uchun 12, soat uchun 24. \(x_{\sin}\) va \(x_{\cos}\) o‘lchovsiz o‘zgartirilgan komponentlardir.

Bu ikki o‘lchamli tasvir vaqt qiymatini aylana ustidagi holat sifatida kodlaydi. Shu tariqa davrning oxiri va boshidagi nuqtalar matematik jihatdan ham bir-biriga yaqin bo‘ladi.

CTE ablatsiya natijasi

Bu jadval CTE ning unumdorlik bilan bog‘liq ijobiy hissasini ko‘rsatadi. Biroq manba ayni paytda CTE foydasini bir xil o‘qitish va test to‘plamlari sharoitida yanada batafsil ajratib ko‘rsatadigan keng qamrovli ablatsiya tadqiqoti kelajakda o‘tkazilishi kerakligini bildiradi.

Xususiyat ahamiyati nega maydondan maydonga o‘zgardi?

Modelning xususiyat ahamiyati tahlilida quruqlik va dengiz usti maydonlari bir xil meteorologik naqshni ko‘rsatmagan. Taif va Abha kabi tog‘li quruqlik hududlarida harorat va nisbiy namlik aniqroq prognoz hissasini ko‘rsatgan. Red Sea va East Coast kabi dengiz hududlarida bosim va shudring nuqtasi muhimroq bo‘lgan.

Siklik tarzda kodlangan shamol yo‘nalishi o‘zgaruvchilari \(sin\_wdrxn\) va \(cos\_wdrxn\) ham bir nechta maydon va modelda muhim chiqqan.

Bu xususiyat ahamiyati natijalari fizik sababiylik o‘lchovi emas. Manba ayniqsa ahamiyat xaritalari har bir o‘zgaruvchining model prognoziga qo‘shimcha hissasini ko‘rsatishini; harorat, namlik va shudring nuqtasi kabi fizik jihatdan o‘zaro bog‘liq o‘zgaruvchilar uchun koeffitsiyentlar to‘g‘ridan-to‘g‘ri sabab-oqibat sifatida talqin qilinmasligi kerakligini ta’kidlaydi.

Tadqiqot Usuli va Natijalari

Modelni baholash metrikalari

Tadqiqot model unumdorligini bitta skor bilan emas, oltita bir-birini to‘ldiruvchi metrika bilan baholagan: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), Relative Root Mean Square Error (RRMSE), Mean Absolute Percentage Error (MAPE) va coefficient of determination \(R^2\).

MAE:

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

MAE prognozlarning kuzatuvdan o‘rtacha mutlaq masofasini beradi va shamol tezligi uchun m/s birligidadir.

RMSE:

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

RMSE kvadratik had sababli katta xatolarni kuchliroq jazolaydi va m/s birligidadir.

MBE:

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

MBE prognozlarning tizimli ravishda yuqori yoki past bo‘lish moyilligini ko‘rsatadi. Nolga yaqin qiymat pastroq tizimli og‘ishni anglatadi.

MAPE:

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

MAPE xatoni kuzatilgan qiymatga nisbatan foiz ko‘rinishida ifodalaydi.

\(R^2\):

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

\(R^2\) kuzatilgan o‘zgaruvchanlikning model tomonidan qay darajada tushuntirilishini ko‘rsatadi; yuqoriroq qiymat kuchliroq moslikni anglatadi.

Manba shuningdek RRMSE ni foiz ko‘rinishida normallashtirilgan RMSE o‘lchovi sifatida ishlatgan. Manba 8-jadvalda operatsion tayanch qiymatlarni MAE uchun <1,5 m/s, RMSE uchun <2,0 m/s, MBE uchun ±0,3 m/s atrofida, RRMSE uchun <%15, MAPE uchun <%20 va \(R^2\) uchun >0,7 sifatida keltirgan.

Besh maydonda gibrid modelning test natijalari

Eng yuqori gibrid test \(R^2\) qiymati Abhada 0,953. Damat Al-Jandal 0,946 va Taif 0,940 bilan undan keyin keladi. Dengiz usti hududlarida unumdorlik pastroq bo‘lsa-da, East Coast uchun 0,917 va Red Sea uchun 0,896 darajasida qolgan.

Gibrid Model Har Bir Maydonda Eng Yaxshi Natija Berdimi?

Yo‘q; gibrid RFR–ANN–SVR–LR modeli besh maydonning to‘rttasida eng kuchli umumiy test natijasini bergan bo‘lsa-da, East Coastda oddiy persistence prognozi \(R^2=0.963\) va RMSE=0,477 m/s bilan gibrid modelning \(R^2=0.917\) va RMSE=0,712 m/s natijasidan yaxshiroq bo‘lgan; shu sababli gibrid yondashuv har bir meteorologik rejimda avtomatik ravishda ustun deb aytib bo‘lmaydi.

Persistence modeli nega muhim taqqoslash hisoblanadi?

Persistence prognozi keyingi soatdagi shamol tezligini joriy soat bilan bir xil deb qabul qiladi:

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

Bu oddiy usul qisqa muddatli shamol qatorlarida kuchli temporal autocorrelation bo‘lganda hayratlanarli darajada yuqori natija ko‘rsatishi mumkin. East Coast natijasi bunga yaqqol misoldir.

Shu sababli murakkab mashinaviy o‘rganish modelining faqat ANN yoki RFR kabi boshqa algoritmlarni ortda qoldirishi yetarli emas; u kuchli persistence benchmarkiga nisbatan ham baholanishi kerak.

Asosiy modellarni taqqoslash

Manba natijalariga ko‘ra, SVR yakka holda ishlatilgan modellar orasida eng barqaror usuldir. Test \(R^2\) qiymatlari taxminan 0,87–0,92 oralig‘ida qolgan va o‘qitish-test unumdorligi pasayishi nisbatan kichik bo‘lgan.

ANN ayrim quruqlik maydonlarida kuchli natija ko‘rsatgan, biroq dengiz usti sharoitlariga nisbatan sezgirroq unumdorlik namoyish etgan. RFR esa o‘qitish ma’lumotlariga juda yaxshi moslashgan bo‘lsa-da, test bosqichida eng sezilarli unumdorlik yo‘qotishini ko‘rsatgan. Manba, ayniqsa, East Coast va Red Seada RFR test \(R^2\) qiymatlari 0,827 va 0,787 gacha tushganini qayd etgan.

Haqiqiy va prognoz qilingan qiymatlarni taqqoslash

Manbaning 11-rasmi besh maydon uchun haqiqiy shamol tezligi bilan prognoz qilingan shamol tezligini taqqoslaydi. Damat Al-Jandal misolida gibrid model \(R^2=0.946\) bilan SVRning 0,917, ANNning 0,842 va RFRning 0,796 test natijalaridan yuqori bo‘lgan.

Shunga o‘xshash tarzda Abhada gibrid \(R^2=0.953\), SVR 0,927, ANN 0,861 va RFR 0,820 qiymatlariga erishgan. Grafiklarda gibrid prognozlarning kuzatilgan qiymatlar bilan zichroq chiziqli moslik hosil qilishi manbada modelning bir-birini to‘ldiruvchi o‘rganish afzalligi sifatida talqin qilinadi.

Diebold–Mariano testi

Model farqlari faqat unumdorlik skorlari kattaligidan iborat yoki yo‘qligini tekshirish maqsadida Diebold–Mariano (DM) testi qo‘llangan. Manba kvadratik xato yo‘qotishlari o‘rtasidagi farqni:

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

deb ta’riflaydi.

Bu yerda \(y_t\) kuzatilgan shamol tezligi; \(\hat{y}_{1,t}\) va \(\hat{y}_{2,t}\) taqqoslanayotgan ikki modelning prognozlaridir. Manba tahlilida %95 ishonch darajasi va \(\alpha=0.05\) ahamiyat chegarasi ishlatilgan.

Ushbu uchta ochiq gibrid taqqoslash ustunida barcha farqlar \(p<0.05\). Biroq manba 10-jadvalning to‘rtinchi ustunini “RFR vs. Persistence” deb belgilagani uchun bu ustunni to‘g‘ridan-to‘g‘ri hybrid-vs-persistence testi deb qayta nomlash ilmiy jihatdan xavfsiz emas.

Residual autocorrelation tahlili

Manba besh maydon uchun gibrid model prognoz qoldiqlarining Autocorrelation Function (ACF) tahlilini o‘tkazgan. Tekshirilgan kechikishlarda avtokorrelyatsiya koeffitsiyentlari nolga yaqin va %95 ishonch chegaralari ichida qolganligi qayd etilgan.

Bu topilma mavjud ma’lumot va qurilgan model sharoitida kuchli, takrorlanuvchi va modeldan tashqarida qolgan yaqqol vaqt tuzilmalari residual qatorda ko‘rinmaganini qo‘llab-quvvatlaydi. Biroq faqat 2023-yilgi ma’lumotlar to‘plamidagi residual xulq boshqa yillar yoki iqlim sharoitlari ham avtomatik ravishda xuddi shunday bo‘lishini isbotlamaydi.

Tadqiqotning amaliy ma’nosi

Bir soat oldinga shamol tezligi prognozi real vaqt quvvat dispatchi, zaxirani rejalashtirish va tarmoqni muvozanatlash uchun meteorologik kirish taqdim etishi mumkin. Taklif etilgan tizimni qo‘llash uzluksiz meteorologik ma’lumot oqimi, ayni oldindan ishlov berish bosqichlari, ANN, RFR va SVRni parallel ishga tushirish, so‘ng yengil LR meta-modelini bajarishni talab qiladi.

Manba gibrid tuzilma bitta modelga qaraganda hisoblash xarajatini biroz oshirishini, biroq zamonaviy boshqaruv markazi kompyuterlarida real vaqt tarmoq boshqaruvi uchun inference vaqti yetarli ekanini bildiradi. Manba millisekundlarda aniq inference vaqtini bermagani sababli Verianla matnida raqam yaratilmagan.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• ANN, SVR va RFR prognozlarini LR meta-modeli bilan birlashtiradigan stacking doirasi to‘rtta maydonda asosiy modellar va persistence taqqoslashiga nisbatan kuchli umumiy test unumdorligini ta’minlagan.
• Eng yuqori gibrid test \(R^2\) qiymati Abhada 0,953.
• Gibrid modelning test MBE qiymatlari −0,006 dan 0,152 m/s gacha, RRMSE qiymatlari %8,731 dan %14,710 gacha bo‘lgan.
• CTE ishlatilgan ablatsiya konfiguratsiyasi CTEsiz konfiguratsiyadan pastroq RMSE va MAE hamda yuqoriroq \(R^2\) hosil qilgan.
• Xususiyat ahamiyati maydonga qarab o‘zgargan; quruqlik maydonlarida harorat/namlik, dengiz usti maydonlarida bosim/shudring nuqtasi va turli maydonlarda siklik yo‘nalish o‘zgaruvchilari aniq prognoz hissasini ko‘rsatgan.
• Residual ACF tahlilida aniq doimiy avtokorrelyatsiya tuzilmasi qayd etilmagan.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• Gibrid model barcha maydonlarda eng yaxshi emas; East Coastda persistence modeli yaxshiroq natija bergan.
• Model to‘g‘ridan-to‘g‘ri shamol turbinasi elektr ishlab chiqarishini prognozlamagan.
• Model tarmoq barqarorligini o‘lchangan dala tajribasi bilan yaxshilagani ko‘rsatilmagan.
• Xususiyat ahamiyati qiymatlari meteorologik sababiylik isboti emas.
• 2023 ma’lumotlari asosida olingan natijalar qayta validatsiyasiz boshqa yillar, mamlakatlar va iqlim rejimlariga avtomatik umumlashtirilmaydi.
• Tadqiqot LSTM, GRU, TCN, Informer, Transformer, TFT yoki Chronos-2 kabi yangi vaqt qatori arxitekturalari bilan bevosita keng benchmark taqqoslashini taqdim etmaydi.

Cheklovlar va kelajak tadqiqot yo‘nalishlari

Manba kelajakda modelni yanada rivojlangan chuqur o‘rganish va vaqt qatori arxitekturalari bilan taqqoslashni tavsiya qiladi. LSTM, GRU, Temporal Convolutional Network, Informer, transformer asosidagi modellar, Temporal Fusion Transformer va yangi vaqt qatori foundation modellari shu doirada aniq ko‘rsatilgan.

Joriy tadqiqot soatlik rezolyutsiyada. Kelajakda 15 daqiqalik kabi yuqoriroq chastotali kuzatuvlar bilan model unumdorligini tekshirish tavsiya etilgan.

Eng asosiy amaliy cheklov shamol tezligi prognozlarining real turbina quvvat egri chizig‘i yoki tarmoq dispatch modeli bilan bog‘lanmaganidir. Shu sababli kelajakda prognoz xatolarining elektr ishlab chiqarish, talab o‘zgarishi va tarmoq barqarorligiga haqiqiy ta’siri alohida hisoblanishi kerak.

Manba shuningdek yo‘qolgan yoki xato sensor ma’lumotlari sharoitida model chidamliligini baholamaydi. Ma’lumot imputatsiyasi va fault-tolerant ma’lumotlarni qayta ishlash usullarini kelajakda modelga qo‘shish tavsiya etiladi.

Manba va Usul Haqida Izoh

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

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

Mas’ul mualliflar: Shafiqur Rehman va Iqbal M. Mujtaba.

Muassasalar: 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.

Nashriyot: MDPI.

Bibliografik yozuv: Energies 2026, 19(17), 4159.

DOI: 10.3390/en19174159

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi; ma’lumotlarga asoslangan mashinaviy o‘rganish va qisqa muddatli meteorologik prognoz tadqiqoti.

Akademik muharrir: Lars Johanning.

Qabul qilingan sana: 9-iyul 2026.

Reviziya sanasi: 25-avgust 2026.

Qabul sanasi: 31-avgust 2026.

Nashr sanasi: 3-sentabr 2026.

Litsenziya: Creative Commons Attribution (CC BY).

Ma’lumot manbai: NASA POWER meteorologik ma’lumotlar ombori; 1-yanvar 2023–31-dekabr 2023, soatlik rezolyutsiya.

Prognoz ufqi: Bir soat oldinga shamol tezligi.

Asosiy modellar: Random Forest Regression, Artificial Neural Network va Support Vector Regression.

Meta-model: Linear Regression.

Stacking validatsiyasi: Besh qatlamli out-of-fold kross-validatsiya.

Ma’lumotlar bo‘linishi: %80 o‘qitish, %10 validatsiya, %10 test; random state 42.

Giperparametr optimallashtirish: Besh qatlamli cross-validation va MSE skori bilan 10.500 grid-search fit; manba taxminan 36 soat hisoblash vaqtini bildiradi.

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

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmaganligi bildirilgan.

Ma’lumotlar mavjudligi: Ma’lumotlar to‘plami birinchi muallifning davom etayotgan magistrlik ishining bir qismi bo‘lgani sababli ommaga ochiq emasligi; asosli so‘rov bo‘yicha corresponding author dan olinishi mumkinligi bildirilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

AI dan foydalanish bayonoti: Mualliflar ishni tayyorlash jarayonida ChatGPT 5.0 dan faqat tilni tahrirlash va formatlash bo‘yicha tavsiyalar uchun foydalanilganini bildirgan.

Muallif hissalari: Latif Bukari Rashid, Mohamed E. Zayed, Rashad Ibrahim va Fakebba Drammeh konseptualizatsiya, usul, tadqiqot va dastlabki qoralamada; Shafiqur Rehman, Mohamed E. Zayed, S. M. Shalaby va Iqbal M. Mujtaba validatsiya, resurslar, ma’lumotlarni kuratsiya qilish, nazorat va loyiha boshqaruvida; tegishli muallif guruhlari vizualizatsiya hamda ko‘rib chiqish/tahrirlash bosqichlarida qatnashgan.

Asosiy metodologik cheklov: Model to‘g‘ridan-to‘g‘ri shamol turbinasi elektr quvvatini yoki haqiqiy tarmoq dispatch chiqishini prognozlamaydi; faqat soatlik meteorologik kirishlardan bir soat oldinga 50 m shamol tezligini prognozlaydi. Ma’lumotlar 2023-yil va Saudiya Arabistonidagi besh joy bilan cheklangan. East Coastda persistence benchmark gibrid modeldan kuchliroq. Yangi avlod vaqt qatori foundation/deep-learning modellari bilan keng taqqoslash, yuqoriroq chastotali ma’lumotlar, turli yillarda tashqi validatsiya va xato/yo‘q sensor sharoitlari kelajakda baholanishi kerak.