Rüzgar hızı tahminlemesinde ikincil ayrıştırmalı ve dalgacık sinir ağı temelli yeni bir hibrit yaklaşım

Enerji tüketimi ile küreselleşme, kentleşme, enerji politikaları ve ekonomik büyüme gibi çeşitli faktörler arasındaki ilişkiyi içeren çalışmalarla literatürde sıklıkla karşılaşılmaktadır. Bu ilişki, sürdürülebilir enerji sistemlerine ulaşmak için politika ve stratejilerin önemini vurgular. Yenilenebilir enerji kaynakları çevresel faydalar sunar, karbon ayak izini azaltır ve enerji güvenliği ve bağımsızlığı sağlar. Ancak yenilenebilir enerjiye geçiş maliyetli olabilir ve jeopolitik riskler de tedarik zincirlerini ve dağıtımı etkileyebilir. Bu zorlukları aşmak için yenilenebilir enerji kaynaklarının çeşitlendirilmesi ve bölgesel iş birliği büyük önem taşır. Yenilenebilir enerji, toplum ve çevre için birçok fayda sağlayan sürdürülebilir bir enerji kaynağıdır. İklim değişikliğine katkıda bulunan sera gazı emisyonlarını azaltır, halk sağlığını iyileştirir, su kirliliğini azaltır, ekosistemleri korur ve sürdürülebilir kaynak kullanımını teşvik eder. Ayrıca sürdürülebilir kalkınmayı destekler ve enerji sektöründe inovasyon ve araştırmaları ilerletir. Yenilenebilir enerji teknolojileri, tesis verimliliğini artırır ve düşük karbonlu teknolojilerde bir trend olarak öne çıkar. Rüzgar enerjisinin anlaşılması ve kullanılmasında, rüzgar hızı önemli bir faktördür. Rüzgar türbinlerinin verimli çalışması, hava tahmini, iklim modellemesi ve açık deniz operasyonları için doğru rüzgar hızı tahmini önemlidir. Rüzgar hızı tahmini için sinir ağları yaygın olarak kullanılır çünkü karmaşık doğrusal olmayan ilişkileri yakalama yetenekleri vardır. Birden fazla modelden elde edilen tahminleri birleştiren hibrit yaklaşımlar da umut vericidir. Değişken mod ayrıştırması (VMD) ve topluluk ampirik mod ayrıştırması (EEMD) gibi ayrıştırma tekniklerinin rüzgar hızı tahmininde önemli olduğu kanıtlanmıştır. Dalgacık sinir ağları (WNN'ler), aktivasyon işlevi olarak dalgacıkları kullanarak sinir ağlarının farklı giriş verisi özelliklerini yakalamasına ve performansını artırmasına olanak tanır. Rüzgar hızı tahmini için WNN'lere doğrudan referans olmamasına rağmen, mevcut çalışmalar rüzgar hızı tahmin doğruluğunu artırmak için farklı sinir ağı mimarilerini dalgacık ayrıştırma teknikleriyle birleştirme potansiyelini göstermektedir. Çalışmamızda, çok kısa vadeli rüzgar hızı tahmininde başarımı yüksek olacak şekilde, ikincil ayrıştırmalı ve dalgacık sinir ağı ile oluşturulmuş bir hibrit model önerisinde bulunduk. Bu öneri doğrultusunda, popüler olarak kullanılan dört adet ayrıştırma modeli ile ikili olarak on altı adet ayrıştırma çifti ve üç tanesi yapay sinir ağı aktivasyon fonksiyonu, on üç tanesi dalgacık aktivasyon fonksiyonu olacak şekilde toplam on altı aktivasyon fonksiyonu ile 256 adet hibrit model oluşturulmuştur. Bu modeller ile dört mevsimin orta ayları için simülasyonlar yapılmış, ardından bu dört ayın sonuçları doğrultusunda başarımı yüksek olan 48 model ile yılın diğer sekiz ayı simüle edilmiştir. Bulduğumuz sonuçlar, Ampirik Mod Ayrıştırması türevi olan CEEMDAN yöntemi ile Değişken Mod Ayrıştırma yönetimi (VMD) ile oluşturulan ikili ayrıştırma modelinin, SLOG2 dalgacık aktivasyon fonksiyonu sinir ağı ile oluşturulan hibrit tahmin modelinin yüksek başarımlı tahminler gerçekleştirdiği doğrultusundadır.