Rüzgâr hızının doğru tahmin edilmesi; rüzgâr enerjisi üretim planlaması, operasyon yönetimi ve meteorolojik karar destek sistemleri açısından kritik öneme sahiptir. Bununla birlikte atmosferin değişken ve doğrusal olmayan yapısı, rüzgâr tahminlerinin sayısal hava tahmin modelleri için önemli bir belirsizlik kaynağı olmasına neden olmaktadır.
2023 yılında Earth Science Informatics dergisinde yayımlanan “Utilizing ANN for improving the WRF wind forecasts in Türkiye” başlıklı çalışmada, Türkiye genelindeki WRF rüzgâr tahminlerinin Yapay Sinir Ağları (Artificial Neural Networks – ANN) kullanılarak iyileştirilme potansiyeli araştırılmıştır.
Araştırmanın Amacı
Çalışmanın temel amacı, fizik tabanlı bir sayısal hava tahmin modeli olan Weather Research and Forecasting Model (WRF) tarafından üretilen rüzgâr tahminlerinin veri odaklı bir yapay sinir ağı modeliyle sonradan düzeltilmesidir.
Bu yaklaşımda WRF atmosferik süreçleri fiziksel denklemler üzerinden simüle ederken, ANN modeli WRF tahminleri ile gözlemler arasındaki sistematik ilişkileri öğrenerek tahmin performansının geliştirilmesi için kullanılmıştır.
Bu nedenle çalışma, günümüzde giderek önem kazanan fizik tabanlı meteorolojik model + veri odaklı yapay zekâ yaklaşımının bir örneğini oluşturmaktadır.
Nasıl Çalıştık?
Araştırmada Türkiye için 9 km yatay çözünürlüğe sahip WRF modeli kullanılmıştır. WRF modelinin başlangıç ve sınır koşulları 0.25° çözünürlüklü Global Data Assimilation System (GDAS) verilerinden sağlanmıştır.
Model sonuçlarının değerlendirilmesinde:
- Root Mean Squared Error (RMSE)
- Mean Bias Error (MB)
- Index of Agreement (IoA)
- Pearson korelasyon katsayısı
kullanılmıştır.
Yapay sinir ağı modelinin girdilerini ise WRF tarafından üretilen sıcaklık, basınç ve rüzgâr hızı değişkenleri oluşturmuştur. ANN mimarisinde Hecht-Nielsen (2n+1) topolojisi kullanılmış ve analizler iki yıllık dönem için zamansal ve mekânsal olarak gerçekleştirilmiştir.
Araştırmadan Öne Çıkan Sonuçlar
Yapay sinir ağı uygulanmadan önce WRF modelinin rüzgâr hızı tahmin performansı şu şekilde hesaplanmıştır:
| Performans Göstergesi | WRF (Ham Çıktı) | WRF + ANN (Yapay Zekâ Düzeltmeli) |
|---|---|---|
| Mean Bias (MB) | 1.42 | 0.04 |
| RMSE | 2.26 | 0.96 |
| Korelasyon (R) | 0.51 | 0.56 |
| Index of Agreement (IoA) | 0.02 | 0.60 |
Sonuçlar, ANN tabanlı düzeltmenin özellikle bias ve RMSE değerlerinde belirgin iyileşme sağladığını göstermiştir. Çalışmanın genel değerlendirmesine göre ANN uygulaması, WRF modelinin Türkiye'deki rüzgâr hızı tahmin performansını ortalama olarak göreli %11 oranında iyileştirmiştir.
Neden Önemli?
Sayısal hava tahmin modelleri atmosferin fiziksel davranışını temsil etmek için güçlü araçlardır. Ancak model çözünürlüğü, başlangıç koşulları, fizik parametrizasyonları ve yerel arazi özellikleri nedeniyle belirli bölgelerde sistematik tahmin hataları oluşabilir.
Yapay zekâ ve makine öğrenmesi yöntemleri burada ikinci bir katman olarak kullanılabilir. Basitleştirilmiş biçimde süreç:
Atmosferik Veri → WRF → Tahmin → ANN Düzeltmesi → İyileştirilmiş Tahmin
şeklinde düşünülebilir. Bu yaklaşım, fizik tabanlı modellemenin atmosferik tutarlılığını korurken geçmiş verilerden öğrenilen yerel ilişkilerin tahmine dahil edilmesine olanak sağlar.
Rüzgâr Enerjisi Açısından Karşılığı
Rüzgâr enerjisinde üretilen güç ile rüzgâr hızı arasında doğrusal olmayan güçlü bir ilişki bulunduğundan, rüzgâr hızındaki tahmin hataları enerji üretim tahminine de yansıyabilir.
Bu nedenle WRF gibi NWP modellerinin saha gözlemleri, geçmiş üretim verileri ve makine öğrenmesi yöntemleriyle birlikte kullanılması; gün öncesi üretim tahmini, kısa vadeli enerji planlaması, santral bazlı tahmin kalibrasyonu ve operasyonel karar destek uygulamaları açısından önemli bir yaklaşım sunmaktadır.
Bu çalışma da fiziksel meteorolojik modelleme ile yapay zekânın birlikte kullanılmasının rüzgâr tahminlerinde sağlayabileceği katkıyı Türkiye ölçeğinde göstermektedir.
Araştırmadan Uygulamaya
Bu tür çalışmaların sektörel uygulaması yalnızca bir rüzgâr hızı tahmini üretmek değildir. Yaklaşım zaman içerisinde şu operasyonel zincire dönüşür:
NWP Modeli → Saha Gözlemleri → Veri Kalite Kontrolü → İstatistiksel / Yapay Zekâ Düzeltmesi → Saha Bazlı Rüzgâr Tahmini → Enerji Üretim Tahmini → Operasyonel Karar Destek
Yenilenebilir Enerji İçin Meteorolojik Çözümler
Rüzgâr kaynak analizinden operasyonel hava ve enerji üretim tahminlerine kadar meteorolojik modelleme ve veri analitiği çözümlerimizi inceleyin.
Yenilenebilir Enerji Çözümlerimizi İncele →Bilimsel Yayın
Kara, Y., Akalin, I. A., Deniz, N. G., Dinç, U., Ünal, Z. F. & Toros, H. (2023).
Utilizing ANN for improving the WRF wind forecasts in Türkiye.
Earth Science Informatics, 16, 2167–2186.
Yayın tarihi: 24 Mayıs 2023
DOI: 10.1007/s12145-023-01003-w