Klasik ve Derin Öğrenme Modellerinin Rüzgâr Hızı Tahmini için Karşılaştırmalı Bir İncelemesi

Abstract

Bu çalışmada, zaman serisi modelleri (klasik modeller olan ARMA, ARIMA ile derin öğrenme modelleri LSTM, CNN) rüzgâr hızı tahmini için iki meteorolojik veri kümesine dayalı olarak karşılaştırılmıştır. Literatür taraması, her bir yaklaşımın güçlü ve zayıf yönlerini sunmuş ve veri ölçeği, çözünürlük ile kalitenin tahmin sonuçları üzerindeki etkisini ortaya koymuştur. Nicel sonuçlar, yüksek frekanslı verilerde LSTM'nin, ARIMA'ya kıyasla MSE'yi yaklaşık %99,3 oranında azalttığını; buna karşın ARIMA'nın küçük veri kümeleri ve kısa vadeli tahminler için uygun olduğunu göstermiştir. Ardından, modeller küçük bir Türk veri kümesine uygulanmış ve önerilen eğriler, Almanya'daki geniş kapsamlı Jena veri tabanı ile karşılaştırılarak test edilmiştir. Sonuçlar, klasik modellerin sınırlı verilerle kısa vadeli tahminler için daha uygun olduğunu; derin öğrenme yöntemlerinin ise geleneksel yöntemleri aşmak için yüksek miktarda ve kaliteli verilere ihtiyaç duyduğunu göstermiştir. Bu bulgular, yenilenebilir enerji planlamacılarına veri kümelerinin özellikleri ve operasyonel gereksinimleri doğrultusunda model seçimi konusunda değerli öneriler sunmuştur.

This study examined the performance of several time series models (both classical models like ARMA, ARIMA and deep learning models such as LSTM, CNN) are compared in terms of both classical and deep learning models for predicting wind speed based on two meteorological datasets. The literature review presented strengths and weaknesses for each approach, and the influence of data scale, resolution, and quality on the forecasting results. The quantitative result demonstrated that for the high-frequency data LSTM reduces the MSE ~99.3% comparing with ARIMA, when ARIMA is good for short-term prediction and small datasets. Then, the models were used for a small Turkish dataset, and the proposed curves were tested against the large group of Jena database in Germany. Results indicated that while classical models are better suited for forecasting over the short term with limited data, deep learning methods require substantial, high-quality data to surpass traditional forecasting methods. These findings provide valuable recommendations for renewable energy planners on model selection with respect to the characteristics of datasets and their operational requirements.