Rüzgar Türbini Aktif Güç Üretiminin Makine Öğrenmesi ve Derin Öğrenme Yöntemleriyle Tahmini
Elektrik‑Elektronik ve Haberleşme Mühendisliğinde Güncel Araştırmalar ve Değerlendirmeler II, Serdal Arslan, Editör, Özgür Yayınları, Gaziantep, ss.33-58, 2026
- Yayın Türü: Kitapta Bölüm / Araştırma Kitabı
- Basım Tarihi: 2026
- Doi Numarası: 10.58830/ozgur.pub1529.c6171
- Yayınevi: Özgür Yayınları
- Basıldığı Şehir: Gaziantep
- Sayfa Sayıları: ss.33-58
- Editörler: Serdal Arslan, Editör
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- İstanbul Gelişim Üniversitesi Adresli: Evet
Özet
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.