Rüzgar hızı tahminlemesi için derin öğrenme ve ayrıklaştırma temelli uyarlanabilir hibrit tahmin modeli geliştirilmesi

Rüzgar hızının doğru ve güvenilir tahminlenmesi rüzgar enerjisi güç sistemlerinin yönetilmesi ve işletilmesinde kilit rol oynamaktadır. Bu nedenle bu çalışmada rüzgar hızı tahminlenmesinde kullanılmak üzere derin öğrenmeye dayalı yenilikçi adaptif bir tahminleme modeli (NAEM) geliştirilmiştir. Geliştirilen bu model uyarlanabilir gürültü ile geliştirilmiş tam topluluk ampirik mod ayrıştırması (ICEEMDAN), sürekli dalgacık dönüşümü (CWT), kontrast sınırlı uyarlanabilir histogram eşitleme (CLAHE), parçacık sürüsü optimizasyonu (PSO) ve evrişimli sinir ağı (CNN)'dan oluşmaktadır. Kullanılan modelin veri ön işleme aşamasında klasik veri matris dönüşümü yöntemine ayrıklaştırma tekniği kullanılarak alternatif bir yaklaşım sunulmuştur. Model 3 farklı vaka çalışmasında test edilmiş ve elde edilen performans metrikleri (RMSE, MAPE ve R2) incelendiğinde özellikle diğer kıyaslama modellerine (CNN-RNN, GRU, LSTM) göre daha doğru ve güvenilir sonuçlar sergilemiştir. Elde edilen sonuçlar sunulan modelin özellikle rüzgar hızı tahminlemesinde iyi bir alternatif olacağını göstermektedir.