Machine Learning-Based Wind Energy Forecasting Using Weather Parameters: The Example of Yalova

Basit Öğe Kaydı
dc.contributor.authorAtalan, Abdulkadir
dc.contributor.authorGündoğdu, Lütfi Alper
dc.contributor.authorKahyalık, Harun
dc.contributor.authorAyaz Atalan, Yasemin
dc.date.accessioned2026-02-03T11:46:03Z
dc.date.available2026-02-03T11:46:03Z
dc.date.issued2025
dc.departmentÇanakkale Onsekiz Mart Üniversitesi
dc.description.abstractIn this study, various machine learning algorithms were evaluated for estimating wind energy production using hourly meteorological data of Yalova province in 2018. The input parameters were input parameters of weather parameters such as temperature, relative humidity, air pressure, wind direction, and wind speed. In the analysis performed on a total of 50530 data points, methods such as Gradient Boosting (GB), Random Forests (RF), k-nearest neighbor (kNN), and Stochastic gradient descent (GBD) were compared. Model performances were evaluated according to Mean Absolute Error (MAE), Mean Square Error (MSE), Root Mean Square Error (RMSE), MAPE, and R2 criteria. According to the results, the best-performing algorithm was RF with an MSE value of 0.039, RMSE value of 0.197, MAE value of 0.081, MAPE value of 0.377, and R² score of 0.961. On the other hand, the SGD model showed the lowest performance with an MSE value of 0.175, RMSE value of 0.418, MAE value of 0.303, MAPE value of 0.581, and R² score of 0.822. These findings show that machine learning models, supported by selecting the correct weather parameters, can provide high accuracy in estimating wind energy production and contribute to energy management policies in this direction. Bu çalışmada, 2018 yılına ait Yalova ilinin saatlik meteorolojik verileri kullanılarak rüzgar enerjisi üretiminin tahmin edilmesinde çeşitli makine öğrenmesi algoritmaları değerlendirilmiştir. Girdi parametreleri; sıcaklık, bağıl nem, hava basıncı, rüzgar yönü ve rüzgar hızı gibi hava durumu parametreleridir. Toplam 50.530 veri noktası üzerinde yapılan analizde, Gradient Boosting (GB), Random Forests (RF), en yakın komşu (kNN) ve stokastik gradyan inişi (SGD) gibi yöntemler karşılaştırılmıştır. Model performansları Ortalama Mutlak Hata (MAE), Ortalama Kare Hata (MSE), Kök Ortalama Kare Hata (RMSE), Ortalama Mutlak Yüzde Hata (MAPE) ve R² kriterlerine göre değerlendirilmiştir. Sonuçlara göre, en iyi performansı gösteren algoritma; 0,039 MSE değeri, 0,197 RMSE değeri, 0,081 MAE değeri, 0,377 MAPE değeri ve 0,961 R² skoru ile RF olmuştur. Öte yandan, en düşük performansı gösteren model ise; 0,175 MSE değeri, 0,418 RMSE değeri, 0,303 MAE değeri, 0,581 MAPE değeri ve 0,822 R² skoru ile SGD modeli olmuştur. Bu bulgular, doğru hava durumu parametrelerinin seçimiyle desteklenen makine öğrenmesi modellerinin rüzgar enerjisi üretiminin tahmininde yüksek doğruluk sağlayabileceğini ve bu doğrultuda enerji yönetim politikalarına katkı sunabileceğini göstermektedir.
dc.identifier.doi10.52693/jsas.1670486
dc.identifier.endpage49
dc.identifier.issn2718-0999
dc.identifier.issue11
dc.identifier.startpage40
dc.identifier.urihttps://doi.org/10.52693/jsas.1670486
dc.identifier.urihttps://hdl.handle.net/20.500.12428/33881
dc.language.isoen
dc.publisherAbdulkadir KESKİN Abdulkadir KESKİN
dc.relation.ispartofJournal of Statistics and Applied Sciences İstatistik ve Uygulamalı Bilimler Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20260130
dc.subjectMachine Learning (Other) Makine Öğrenme (Diğer)
dc.titleMachine Learning-Based Wind Energy Forecasting Using Weather Parameters: The Example of Yalova
dc.title.alternativeHava Parametrelerini Kullanarak Makine Öğrenmesine Dayalı Rüzgar Enerjisi Tahmini: Yalova Örneği
dc.typeResearch Article

Dosyalar

Koleksiyon

DergiPark