Araştırma Makalesi
BibTex RIS Kaynak Göster

FORECASTING WIND ENERGY PRODUCTION USING METEOROLOGICAL DATA WITH DIFFERENT MACHINE LEARNING METHODS

Yıl 2025, Cilt: 28 Sayı: 3, 1331 - 1344, 03.09.2025

İsrafil Karadöl

https://doi.org/10.17780/ksujes.1667861

Öz

The primary objective of this study is to examine the short-term RES production prediction performance of different machine learning methods using Izmir meteorological data and wind power plant (WPP) production. The second objective is to evaluate the performance of machine learning methods according to different WPP productions (different target data sets) within the same provincial boundaries. The meteorological data used in the study include humidity, cloud cover, wind direction, wind speed, radiation, soil temperature, air temperature, and precipitation amount. The WPP production data are from 23MW, 20MW, and 26MW facilities. In this study, linear regression (LR), polynomial regression (PR), decision tree (DT), random forest (RF), support vector machine (SVM), and extreme gradient boosting (XGBoost) methods were used to predict RES production. To evaluate the prediction performance of these methods on different plant productions, the correlation coefficient squared (R2), mean absolute error (MAE), and mean square error (MSE) metrics were calculated. Based on the obtained metric results, it was concluded that RO demonstrated the best prediction performance for all three plant productions.

Anahtar Kelimeler

Wind energy forecasting extreme gradient boosting random forest support vector machine polynomial regression

Kaynakça

  • Alkesaiberi, A., Harrou, F., & Sun, Y. (2022). Efficient Wind Power Prediction Using Machine Learning Methods: A Comparative Study. Energies, 15(7). https://doi.org/10.3390/en15072327
  • AlSkaif, T., Dev, S., Visser, L., Hossari, M., & van Sark, W. (2020). A systematic analysis of meteorological variables for PV output power estimation. Renewable Energy, 153, 12–22. https://doi.org/10.1016/j.renene.2020.01.150
  • Anushalini, T., & Sri Revathi, B. (2024). Role of Machine Learning Algorithms for Wind Power Generation Prediction in Renewable Energy Management. IETE Journal of Research, 70(4), 4319–4332. https://doi.org/10.1080/03772063.2023.2205838
  • Arslan Tuncar, E., Sağlam, Ş., & Oral, B. (2024). A review of short-term wind power generation forecasting methods in recent technological trends. Energy Reports, 12(May), 197–209. https://doi.org/10.1016/j.egyr.2024.06.006
  • Babaoğlu, M., & Haznedar, B. (2023). Sürü Zekâsi Tabanli Algori̇tmalar ile Türki̇yeni̇n Uzun Vadeli̇ Enerji̇ Tüketi̇m Tahmi̇ni̇. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 26(2), 424–441.
  • Bayat, G., & Yıldız, K. (2022). Comparison of the Machine Learning Methods to Predict Wildfire Areas. Turkish Journal of Science and Technology, 17(2), 241–250. https://doi.org/10.55525/tjst.1063284
  • Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., & Keçecioğlu, Ö. F. (2021). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, 11(22), 37–45. https://dergipark.org.tr/tr/pub/emobd/issue/66349/953373
  • Breiman, L. (2001). Random Forests. Kluwer Academic Publishers, 12343 LNCS, 503–515. https://doi.org/10.1007/978-3-030-62008-0_35
  • Demirer, H., Ayci, D., Ozturk, S. A., Karabal, C., & Valles, J. A. (2024). A Machine Learning-Based Reference Baseline Consumption Model for Energy Efficiency Measurement and Verification. Electrical-Electronics and Biomedical Engineering Conference, ELECO 2024 - Proceedings, 1–5. https://doi.org/10.1109/ELECO64362.2024.10847193
  • Demolli, H., Dokuz, A. S., Ecemis, A., & Gokcek, M. (2019). Wind power forecasting based on daily wind speed data using machine learning algorithms. Energy Conversion and Management, 198(March), 111823. https://doi.org/10.1016/j.enconman.2019.111823
  • Dinsever, L. D., Gümüş, V., Şimşek, O., Avşaroğlu, Y., & Kuş, M. (2021). Adıyaman ve Gaziantep İstasyonların da ki Güneşlenme Şiddetinin Destek Vektör Makineleri ile Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(2), 753–769.
  • Emeksiz, C., & Demir, İ. (2021). Farklı Regresyon Teknikleri Kullanarak Rüzgar Hızına Etkiyen Meteorolojik Parametrelerin İncelenmesi. Gaziosmanpasa Journal of Scientific Research, 10(3), 100–110.
  • Gökçe, M. M., & Duman, E. (2022). A Deep Learning-Based Demand Forecasting System for Planning Electricity Generation. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 25(3), 285–295.
  • Heinermann, J., & Kramer, O. (2016). Machine learning ensembles for wind power prediction. Renewable Energy, 89, 671–679. https://doi.org/10.1016/j.renene.2015.11.073
  • Irena. (2025). Renewable capacity statistics 2025 International Renewable Energy Agency. In Irena. https://irena.org/-/media/Files/IRENA/Agency/Publication/2020/Mar/IRENA_RE_Capacity_Statistics_2020.pdf
  • Jamei, M., Karbasi, M., Mosharaf-Dehkordi, M., Adewale Olumegbon, I., Abualigah, L., Said, Z., & Asadi, A. (2022). Estimating the density of hybrid nanofluids for thermal energy application: Application of non-parametric and evolutionary polynomial regression data-intelligent techniques. Measurement: Journal of the International Measurement Confederation, 189(October 2021), 110524. https://doi.org/10.1016/j.measurement.2021.110524
  • Jorgensen, K. L., & Shaker, H. R. (2020). Wind Power Forecasting Using Machine Learning: State of the Art, Trends and Challenges. 2020 8th International Conference on Smart Energy Grid Engineering, SEGE 2020, 44–50. https://doi.org/10.1109/SEGE49949.2020.9181870
  • Karadöl, İ. (2025). Rüzgâr enerji santral üretim tahmininde kullanılan meteorolojik veriler için en uygun içsel mod fonksiyonunun belirlenmesi : İzmir örneği. Politeknik Dergisi, 0900. https://doi.org/10.2339/politeknik.1636813
  • Kaya, A., & Elmas, E. T. (2022). Si̇nter tesi̇sleri̇nde enerji̇ kullanim noktalari ve enerji̇yi̇ veri̇mli̇ kullanacak yöntemleri̇n beli̇rlenmesi̇. Fenerbahçe Üniversitesi Tasarım ve Mühendislik Dergisi, 2(2), 170–181.
  • Keskin, B., Şora Günal, E., Urazel, B., & Keskin, K. (2022). Elektrikli Araç Bataryalarının Şarj Durumu Tahmini İçin Bir Model. Nicel Bilimler Dergisi, 4(2), 161–175. https://doi.org/10.51541/nicel.1117756
  • Khan, G. M., Ali, J., & Mahmud, S. A. (2014). Wind power forecasting An application of machine learning in renewable energy. Proceedings of the International Joint Conference on Neural Networks, 1130–1137. https://doi.org/10.1109/IJCNN.2014.6889771
  • Korkmaz, M., Doğan, A., & Kırmacı, V. (2022). Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Journal of Engineering Sciences, 8(2), 361–370. https://doi.org/10.30855/gmbd.0705015
  • Kutner, M. H., Nachtsheim, C. J., Neter, J., & Lİ, W. (2005). Applied Linear Statistical Models. In Journal of Quality Technology (Vol. 29, Issue 2). https://doi.org/10.1080/00224065.1997.11979760
  • Macit Sezikli, N. (2023). Makine Öğrenmesi Yöntemiyle Yenilenebilir Güneş Enerjisi Üretiminin Meteorolojik Veriler Kullanılarak Tahmin Analizi [İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü]. https://acikerisim.gelisim.edu.tr/xmlui/handle/11363/7159
  • Özkış, A. (2024). Deniz Yırtıcıları Algoritması ile Türkiye’nin Enerji Talebinin Tahmin Edilmesine Yönelik Kapsamlı Bir Çalışma. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 27(2), 615–630.
  • Radu, D., Berger, M., Fonteneau, R., Hardy, S., Fettweis, X., Le Du, M., Panciatici, P., Balea, L., & Ernst, D. (2019). Complementarity assessment of south Greenland katabatic flows and West Europe wind regimes. Energy, 175, 393–401. https://doi.org/10.1016/j.energy.2019.03.048
  • Revati, G., Hozefa, J., Shadab, S., Sheikh, A., Wagh, S. R., & Singh, N. M. (2021). Smart building energy management: Load profile prediction using machine learning. 2021 29th Mediterranean Conference on Control and Automation, MED 2021, 380–385. https://doi.org/10.1109/MED51440.2021.9480170
  • Sasser, C., Yu, M., & Delgado, R. (2022). Improvement of wind power prediction from meteorological characterization with machine learning models. Renewable Energy, 183, 491–501. https://doi.org/10.1016/j.renene.2021.10.034
  • Sevmiş, T., & Çekik, R. (2025). Forecasting Energy Demand in Turkey Using Different Metaheurıstıc Methods: A Comparative Study. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 8(1), 441–459.
  • Sun, Z., Wang, G., Li, P., Wang, H., Zhang, M., & Liang, X. (2024). An improved random forest based on the classification accuracy and correlation measurement of decision trees. Expert Systems with Applications, 237(PB), 121549. https://doi.org/10.1016/j.eswa.2023.121549
  • Tian, W., Bao, Y., & Liu, W. (2022). Wind Power Forecasting by the BP Neural Network with the Support of Machine Learning. Mathematical Problems in Engineering, 2022. https://doi.org/10.1155/2022/7952860
  • Tuncer, E., & Bolat, E. D. (2022). Destek vektör makineleri ile eeg sinyallerinden epileptik nöbet sınıflandırması. Journal of Polytechnic, 0900(1), 239–249. https://doi.org/10.2339/politeknik.
  • Yağmur, E., & Yağmur, S. (2022). Rüzgar Gücü Tahmininde Genetik Algoritma ile Öznitelik Seçimi. Afyon Kocatepe University Journal of Sciences and Engineering, 22(5), 1028–1040. https://doi.org/10.35414/akufemubid.1117779
  • Yamaçlı, V. (2025). Rüzgâr Gücü Tahmininde Uzun Kısa-Süreli Bellek: Veri Örnekleme ve Kümelemenin Etkisi. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 8(1), 202–215.
  • Yelgeç, M. A., & Bingöl, O. (2022). Ayrık dalgacık dönüşümü ve Xgboost ile rüzgâr gücü tahmini. Uluslararası Teknolojik Bilimler Dergisi, 14(2), 58–65. https://doi.org/10.55974/utbd.1132336
  • Yulita, I. N., Abdullah, A. S., Helen, A., Hadi, S., Sholahuddin, A., & Rejito, J. (2021). Comparison multi-layer perceptron and linear regression for time series prediction of novel coronavirus covid-19 data in West Java. Journal of Physics: Conference Series, 1722(1). https://doi.org/10.1088/1742-6596/1722/1/012021
  • Zhang, T., Zhang, X., Rubasinghe, O., Liu, Y., Chow, Y. H., Iu, H. H. C., & Fernando, T. (2024). Long-Term Energy and Peak Power Demand Forecasting Based on Sequential-XGBoost. IEEE Transactions on Power Systems, 39(2), 3088–3104. https://doi.org/10.1109/TPWRS.2023.3289400
  • Ziane, A., Necaibia, A., Sahouane, N., Dabou, R., Mostefaoui, M., Bouraiou, A., Khelifi, S., Rouabhia, A., & Blal, M. (2021). Photovoltaic output power performance assessment and forecasting: Impact of meteorological variables. Solar Energy, 220(March), 745–757. https://doi.org/10.1016/j.solener.2021.04.004

METEOROLOJİK VERİLER KULLANILARAK RÜZGÂR ENERJİSİ ÜRETİMİNİN FARKLI MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ

Yıl 2025, Cilt: 28 Sayı: 3, 1331 - 1344, 03.09.2025

İsrafil Karadöl

https://doi.org/10.17780/ksujes.1667861

Öz

Yapılan bu çalışmanın birinci amacı İzmir meteorolojik verileri ile rüzgâr enerji santraller (RES) üretimlerini kullanarak farklı makine öğrenmesi yöntemlerinin kısa vadeli RES üretim tahmin performansı incelemektir. İkinci amacı ise aynı il sınırları içeresindeki farklı RES üretimlerine (farklı hedef veri seti) göre makine öğrenmesi yöntemlerinin performansını değerlendirmektir. Çalışmada kullanılan meteorolojik veriler; nem, bulutluluk, rüzgâr yönü, rüzgâr hızı, radyasyon, toprak sıcaklığı, hava sıcaklığı ve yağış miktarıdır. RES üretim verileri ise 23MW, 20MW ve 26MW’lık tesis üretim verileridir. Bu çalışmada RES üretim tahmini yapmak amacıyla doğrusal regresyon (DR), polinomal regresyon (PR), karar ağacı (KA), rastgele orman (RO), destek vektör makinası (DVM) ve aşırı gradient artırma (XGBoost) yöntemleri kullanılmıştır. Bu yöntemlerin farklı tesis üretimleri üzerindeki tahmin performansını değerlendirmek amacıyla korelasyon katsayısı karesi (R2), ortalama mutlak hata (mean absolute error-MAE) ve hata kareleri ortalaması (mean square error-MSE) metrikleri hesaplanmıştır. Elde edilen metrik sonuçlarına göre RO’nin üç tesis üretiminde de en iyi tahmin performansı sergilediği sonucuna ulaşılmıştır.

Anahtar Kelimeler

Rüzgâr enerji tahmini aşırı gradient artırma rastgele orman destek vektör makinası polinomal regresyon

Kaynakça

  • Alkesaiberi, A., Harrou, F., & Sun, Y. (2022). Efficient Wind Power Prediction Using Machine Learning Methods: A Comparative Study. Energies, 15(7). https://doi.org/10.3390/en15072327
  • AlSkaif, T., Dev, S., Visser, L., Hossari, M., & van Sark, W. (2020). A systematic analysis of meteorological variables for PV output power estimation. Renewable Energy, 153, 12–22. https://doi.org/10.1016/j.renene.2020.01.150
  • Anushalini, T., & Sri Revathi, B. (2024). Role of Machine Learning Algorithms for Wind Power Generation Prediction in Renewable Energy Management. IETE Journal of Research, 70(4), 4319–4332. https://doi.org/10.1080/03772063.2023.2205838
  • Arslan Tuncar, E., Sağlam, Ş., & Oral, B. (2024). A review of short-term wind power generation forecasting methods in recent technological trends. Energy Reports, 12(May), 197–209. https://doi.org/10.1016/j.egyr.2024.06.006
  • Babaoğlu, M., & Haznedar, B. (2023). Sürü Zekâsi Tabanli Algori̇tmalar ile Türki̇yeni̇n Uzun Vadeli̇ Enerji̇ Tüketi̇m Tahmi̇ni̇. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 26(2), 424–441.
  • Bayat, G., & Yıldız, K. (2022). Comparison of the Machine Learning Methods to Predict Wildfire Areas. Turkish Journal of Science and Technology, 17(2), 241–250. https://doi.org/10.55525/tjst.1063284
  • Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., & Keçecioğlu, Ö. F. (2021). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, 11(22), 37–45. https://dergipark.org.tr/tr/pub/emobd/issue/66349/953373
  • Breiman, L. (2001). Random Forests. Kluwer Academic Publishers, 12343 LNCS, 503–515. https://doi.org/10.1007/978-3-030-62008-0_35
  • Demirer, H., Ayci, D., Ozturk, S. A., Karabal, C., & Valles, J. A. (2024). A Machine Learning-Based Reference Baseline Consumption Model for Energy Efficiency Measurement and Verification. Electrical-Electronics and Biomedical Engineering Conference, ELECO 2024 - Proceedings, 1–5. https://doi.org/10.1109/ELECO64362.2024.10847193
  • Demolli, H., Dokuz, A. S., Ecemis, A., & Gokcek, M. (2019). Wind power forecasting based on daily wind speed data using machine learning algorithms. Energy Conversion and Management, 198(March), 111823. https://doi.org/10.1016/j.enconman.2019.111823
  • Dinsever, L. D., Gümüş, V., Şimşek, O., Avşaroğlu, Y., & Kuş, M. (2021). Adıyaman ve Gaziantep İstasyonların da ki Güneşlenme Şiddetinin Destek Vektör Makineleri ile Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(2), 753–769.
  • Emeksiz, C., & Demir, İ. (2021). Farklı Regresyon Teknikleri Kullanarak Rüzgar Hızına Etkiyen Meteorolojik Parametrelerin İncelenmesi. Gaziosmanpasa Journal of Scientific Research, 10(3), 100–110.
  • Gökçe, M. M., & Duman, E. (2022). A Deep Learning-Based Demand Forecasting System for Planning Electricity Generation. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 25(3), 285–295.
  • Heinermann, J., & Kramer, O. (2016). Machine learning ensembles for wind power prediction. Renewable Energy, 89, 671–679. https://doi.org/10.1016/j.renene.2015.11.073
  • Irena. (2025). Renewable capacity statistics 2025 International Renewable Energy Agency. In Irena. https://irena.org/-/media/Files/IRENA/Agency/Publication/2020/Mar/IRENA_RE_Capacity_Statistics_2020.pdf
  • Jamei, M., Karbasi, M., Mosharaf-Dehkordi, M., Adewale Olumegbon, I., Abualigah, L., Said, Z., & Asadi, A. (2022). Estimating the density of hybrid nanofluids for thermal energy application: Application of non-parametric and evolutionary polynomial regression data-intelligent techniques. Measurement: Journal of the International Measurement Confederation, 189(October 2021), 110524. https://doi.org/10.1016/j.measurement.2021.110524
  • Jorgensen, K. L., & Shaker, H. R. (2020). Wind Power Forecasting Using Machine Learning: State of the Art, Trends and Challenges. 2020 8th International Conference on Smart Energy Grid Engineering, SEGE 2020, 44–50. https://doi.org/10.1109/SEGE49949.2020.9181870
  • Karadöl, İ. (2025). Rüzgâr enerji santral üretim tahmininde kullanılan meteorolojik veriler için en uygun içsel mod fonksiyonunun belirlenmesi : İzmir örneği. Politeknik Dergisi, 0900. https://doi.org/10.2339/politeknik.1636813
  • Kaya, A., & Elmas, E. T. (2022). Si̇nter tesi̇sleri̇nde enerji̇ kullanim noktalari ve enerji̇yi̇ veri̇mli̇ kullanacak yöntemleri̇n beli̇rlenmesi̇. Fenerbahçe Üniversitesi Tasarım ve Mühendislik Dergisi, 2(2), 170–181.
  • Keskin, B., Şora Günal, E., Urazel, B., & Keskin, K. (2022). Elektrikli Araç Bataryalarının Şarj Durumu Tahmini İçin Bir Model. Nicel Bilimler Dergisi, 4(2), 161–175. https://doi.org/10.51541/nicel.1117756
  • Khan, G. M., Ali, J., & Mahmud, S. A. (2014). Wind power forecasting An application of machine learning in renewable energy. Proceedings of the International Joint Conference on Neural Networks, 1130–1137. https://doi.org/10.1109/IJCNN.2014.6889771
  • Korkmaz, M., Doğan, A., & Kırmacı, V. (2022). Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Journal of Engineering Sciences, 8(2), 361–370. https://doi.org/10.30855/gmbd.0705015
  • Kutner, M. H., Nachtsheim, C. J., Neter, J., & Lİ, W. (2005). Applied Linear Statistical Models. In Journal of Quality Technology (Vol. 29, Issue 2). https://doi.org/10.1080/00224065.1997.11979760
  • Macit Sezikli, N. (2023). Makine Öğrenmesi Yöntemiyle Yenilenebilir Güneş Enerjisi Üretiminin Meteorolojik Veriler Kullanılarak Tahmin Analizi [İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü]. https://acikerisim.gelisim.edu.tr/xmlui/handle/11363/7159
  • Özkış, A. (2024). Deniz Yırtıcıları Algoritması ile Türkiye’nin Enerji Talebinin Tahmin Edilmesine Yönelik Kapsamlı Bir Çalışma. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 27(2), 615–630.
  • Radu, D., Berger, M., Fonteneau, R., Hardy, S., Fettweis, X., Le Du, M., Panciatici, P., Balea, L., & Ernst, D. (2019). Complementarity assessment of south Greenland katabatic flows and West Europe wind regimes. Energy, 175, 393–401. https://doi.org/10.1016/j.energy.2019.03.048
  • Revati, G., Hozefa, J., Shadab, S., Sheikh, A., Wagh, S. R., & Singh, N. M. (2021). Smart building energy management: Load profile prediction using machine learning. 2021 29th Mediterranean Conference on Control and Automation, MED 2021, 380–385. https://doi.org/10.1109/MED51440.2021.9480170
  • Sasser, C., Yu, M., & Delgado, R. (2022). Improvement of wind power prediction from meteorological characterization with machine learning models. Renewable Energy, 183, 491–501. https://doi.org/10.1016/j.renene.2021.10.034
  • Sevmiş, T., & Çekik, R. (2025). Forecasting Energy Demand in Turkey Using Different Metaheurıstıc Methods: A Comparative Study. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 8(1), 441–459.
  • Sun, Z., Wang, G., Li, P., Wang, H., Zhang, M., & Liang, X. (2024). An improved random forest based on the classification accuracy and correlation measurement of decision trees. Expert Systems with Applications, 237(PB), 121549. https://doi.org/10.1016/j.eswa.2023.121549
  • Tian, W., Bao, Y., & Liu, W. (2022). Wind Power Forecasting by the BP Neural Network with the Support of Machine Learning. Mathematical Problems in Engineering, 2022. https://doi.org/10.1155/2022/7952860
  • Tuncer, E., & Bolat, E. D. (2022). Destek vektör makineleri ile eeg sinyallerinden epileptik nöbet sınıflandırması. Journal of Polytechnic, 0900(1), 239–249. https://doi.org/10.2339/politeknik.
  • Yağmur, E., & Yağmur, S. (2022). Rüzgar Gücü Tahmininde Genetik Algoritma ile Öznitelik Seçimi. Afyon Kocatepe University Journal of Sciences and Engineering, 22(5), 1028–1040. https://doi.org/10.35414/akufemubid.1117779
  • Yamaçlı, V. (2025). Rüzgâr Gücü Tahmininde Uzun Kısa-Süreli Bellek: Veri Örnekleme ve Kümelemenin Etkisi. Kahramanmaras Sutcu Imam University Journal of Engineering Sciences, 8(1), 202–215.
  • Yelgeç, M. A., & Bingöl, O. (2022). Ayrık dalgacık dönüşümü ve Xgboost ile rüzgâr gücü tahmini. Uluslararası Teknolojik Bilimler Dergisi, 14(2), 58–65. https://doi.org/10.55974/utbd.1132336
  • Yulita, I. N., Abdullah, A. S., Helen, A., Hadi, S., Sholahuddin, A., & Rejito, J. (2021). Comparison multi-layer perceptron and linear regression for time series prediction of novel coronavirus covid-19 data in West Java. Journal of Physics: Conference Series, 1722(1). https://doi.org/10.1088/1742-6596/1722/1/012021
  • Zhang, T., Zhang, X., Rubasinghe, O., Liu, Y., Chow, Y. H., Iu, H. H. C., & Fernando, T. (2024). Long-Term Energy and Peak Power Demand Forecasting Based on Sequential-XGBoost. IEEE Transactions on Power Systems, 39(2), 3088–3104. https://doi.org/10.1109/TPWRS.2023.3289400
  • Ziane, A., Necaibia, A., Sahouane, N., Dabou, R., Mostefaoui, M., Bouraiou, A., Khelifi, S., Rouabhia, A., & Blal, M. (2021). Photovoltaic output power performance assessment and forecasting: Impact of meteorological variables. Solar Energy, 220(March), 745–757. https://doi.org/10.1016/j.solener.2021.04.004
Toplam 38 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Yapay Zeka (Diğer), Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil, Fotovoltaikler Hariç)
Bölüm Elektrik Elektronik Mühendisliği
Yazarlar

İsrafil Karadöl 0000-0002-9239-0565

Yayımlanma Tarihi 3 Eylül 2025
Gönderilme Tarihi 28 Mart 2025
Kabul Tarihi 23 Haziran 2025
Yayımlandığı Sayı Yıl 2025 Cilt: 28 Sayı: 3

Kaynak Göster

APA Karadöl, İ. (2025). METEOROLOJİK VERİLER KULLANILARAK RÜZGÂR ENERJİSİ ÜRETİMİNİN FARKLI MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(3), 1331-1344. https://doi.org/10.17780/ksujes.1667861
 Kapak Resmi İndir