Rüzgar Türbini Aktif Güç Üretiminin Makine Öğrenmesi ve Derin Öğrenme Yöntemleriyle Tahmini
Open Access
- 18 October 2026
- book chapter
- Published by Özgür Yayınları
- p. 33-58
Abstract
Rüzgâr enerjisinin elektrik arzındaki payının büyümesiyle birlikte, üretimin kısa ve orta vadeli tahminlerinin doğru yapılması ihtiyacı ortaya çıkmaktadır. Bu bölümde, Türkiye'nin Marmara Bölgesi'nde faaliyet gösteren bir rüzgâr türbinine ait, bir yıllık (2018), 10 dakikalık gerçek SCADA ölçümlerinin (n=50.530) analizi, aktif gücü 1, 6 ve 24 saat sonrası için tahmin eden beş yöntemle (Naive Bayes, Random Forest, XGBoost, Uzun-Kısa Vadeli Bellek ağı ve Transformer) gerçekleştirilmektedir. Ölçekleme ve yüzdelik tabanlı rüzgâr eşikleri, sızıntıyı önlemek amacıyla yalnızca eğitim istatistiklerinden türetilmiştir. Bulgular, 1 saatlik ufukta hiçbir modelin Süreklilik (persistence) taban çizgisini istatistiksel olarak anlamlı biçimde geçemediğini (Diebold-Mariano p=0,44) göstermekte, buna karşılık 24 saatlik ufukta XGBoost'un persistence'a göre istatistiksel olarak anlamlı bir iyileşme sağladığını (p<0,001) ortaya koymaktadır; ancak açıklanan varyans pratikte sınırlı kalmaktadır (R²≈0,00). Nitekim 6 ve özellikle 24 saatlik ufuklarda hiçbir yöntem klasik anlamda gerçek bir tahmin becerisi sunmamaktadır. SHAP (SHapley Additive exPlanations) analizi, tahminlerin kısa ufuklarda ağırlıklı olarak en son gözlemlenen güç değerine, uzun ufuklarda ise esasen iklimsel bir temel çizgi işlevi gören mevsimsel (yılın günü) örüntülere dayandığını doğrulamaktadır. Bulgular, dışsal sayısal hava tahmini girdisi olmaksızın, yalnızca geçmiş SCADA kayıtlarına dayanan istatistiksel ve öğrenme temelli yöntemlerin doğal bir öngörülebilirlik ufku sınırıyla karşı karşıya olduğunu göstermektedir. Makine öğrenmesi bu sınırı ortadan kaldırmaktan çok, sınırın kendisini nicel olarak görünür kılmaktadır.Keywords
This publication has 22 references indexed in Scilit:
- Enhanced wind power forecasting using machine learning, deep learning models and ensemble integrationScientific Reports, 2025
- Unveiling the wind energy future of Türkiye with policies technologies and potentialHeliyon, 2025
- An Enhanced Performance Evaluation Metrics for Wind Power Ramp Event ForecastingIEEE Access, 2023
- Data-driven interpretable ensemble learning methods for the prediction of wind turbine power incorporating SHAP analysisExpert Systems with Applications, 2023
- Interpretable wind speed prediction with multivariate time series and temporal fusion transformersEnergy, 2022
- XGBoost2016
- Wind Energy Explained2009
- Random ForestsMachine Learning, 2001
- Comparing Predictive AccuracyJournal of Business & Economic Statistics, 1995
- The Stationary BootstrapJournal of the American Statistical Association, 1994