توقعات طاقة الرياح باستخدام LSTM ومقارنة مع خوارزميات التعلم الآلي المختلفة: دراسة حالة في جنوب غرب تركيا

تعتبر الرياح مصدراً للطاقة المتجددة، لكن طبيعتها المتقطعة تطرح بعض القضايا لمشغلي أنظمة النقل ومزارع الرياح وسوق الكهرباء. لمعالجة هذه القضايا، يعد توقع طاقة الرياح أمراً بالغ الأهمية. في هذه الدراسة، تم الحصول على البيانات من مقياس سرعة الرياح في أفق زمني مدته سنة واحدة كل 10 دقائق لتوقع طاقة الرياح. تم تصميم النماذج باستخدام الذاكرة طويلة وقصيرة المدى الأحادية المتغيرة، والذاكرة طويلة وقصيرة المدى متعددة المتغيرات، والشبكات العصبية متعددة الطبقات (MLP)، وتعزيز التدرج الشديد (XGBOOST)، والشبكات العصبية التلافيفية (CNNs)، والذاكرة طويلة وقصيرة المدى، ووحدات التكرار المغلقة (GRU)، والغابة العشوائية (RF). تم تنظيف القيم الشاذة في البيانات باستخدام خوارزمية الغابة المعزولة. تم تحسين المعلمات الفائقة للنماذج، التي تم تصميمها باستخدام خوارزميات التعلم الآلي لشهر محدد من كل فصل (يناير، أبريل، يوليو، ونوفمبر) باستخدام التحسين البيزي. تم قياس نجاح النماذج حسب متوسط الخطأ المطلق، وجذر متوسط مربع الخطأ، ومعامل التحديد. من بين النماذج المصممة، في شهور يناير، وأبريل، ونوفمبر، قدم نموذج الذاكرة طويلة وقصيرة المدى متعددة المتغيرات أفضل النتائج بقيم معامل التحديد 0.926، 0.961، و0.946 على التوالي. في شهر يوليو، قدم نموذج XGBOOST أفضل نتيجة بقيمة 0.916 لمعامل التحديد.