Rüzgar enerjisinde maksimum güç noktasını takip sistemlerinde hibrit özellik seçimi için çoklu veri kümesi doğrulama modeli

Rüzgar Türbinlerini Daha Büyük Değil, Daha Akıllı Yapmak

Modern rüzgar çiftlikleri, rüzgar hızı ve kanat açısından makine içindeki derin sıcaklıklara kadar her şeyi izleyen sensörlerle dolu. Bu veri akışları, türbin başına birkaç dakikada bir güncellenen yüzlerce ayrı ölçüme ulaşabilir. Bu, enerji verimliliğini artırmak için bir altın madeni gibi görünse de, hızla değişen rüzgara çabuk yanıt vermesi gereken bilgisayarları da aşırı yükler. Bu çalışma, daha küçük ve daha akıllı bir ölçüm setinin dikkatli seçiminin, rüzgar türbinlerinin daha hızlı ve daha doğru tepki vermesini sağlayabileceğini ve aynı rüzgârdan birkaç ekstra yüzde elektrik üretimi sıkıştırarak büyük bir rüzgar çiftliğinin ömrü boyunca milyonlarca dolarlık fark yaratabileceğini gösteriyor.

Çok Fazla Bilginin Yarattığı Zorluk

Rüzgar türbinleri, değişen rüzgardan mümkün olduğunca fazla enerji yakalamak için sürekli ayar yapan Maksimum Güç Noktası Takibi adlı kontrol sistemleri kullanır. Günümüzün büyük rüzgar çiftliklerinde her türbin, 400’den fazla farklı sensör okuması akıtabilir ve kontrol kararları genellikle her 10 dakikada bir veya daha sık verilmelidir. Her sinyali sürekli işlemek sistemi yavaşlatır ve az veya hiç yararlı bilgi katmayan sensörlerden gelen gürültüyü artırır. Ana soru şudur: güç çıktısını veya rotor hızını tahmin etmek için hangi ölçümler gerçekten önemlidir ve performansa zarar vermeden hangileri güvenle görmezden gelinebilir? Bu denge noktası, doğruluk ile endüstriyel kontrolörlerin içinde bulunan sınırlı hesaplama gücü arasında bir uzlaşmadır.

Veriyi Kısaltmak İçin İki Aşamalı Bir Yol

Yazarlar önce alanı daraltıp sonra seçimleri ince ayar yapan iki aşamalı bir yöntem öneriyor. İlk adımda istatistiksel bir filtre tüm mevcut ölçümleri tarar ve her birinin operatörün önemsediği büyüklükle—ya tam ölçekli çiftliklerde elektrik gücü ya da laboratuvar sisteminde rotor hızıyla—ne kadar güçlü ilişkili olduğunu puanlar. Bu sinyallerin yalnızca en üst dilimi tutulur ve sorun hemen yüzlerce adaydan daha yönetilebilir bir gruba küçülür. İkinci adımda ise müzikal doğaçlamadan esinlenen bir optimizasyon prosedürü bu azaltılmış set içinde farklı kombinasyonları keşfeder. Tek bir “en iyi” cevabın peşinden gitmek yerine, tahmin doğruluğu ile gerekli sensör sayısı arasında ticaret yapan bir çözüm ailesi arar; operatörlerin donanım sınırlamalarına göre eşleştirebileceği bir seçenek menüsü üretir.

Çok Farklı Rüzgar Kurulumlarında Test Etme

Yöntemin yalnızca simülasyonlarda değil gerçek dünyada da çalıştığını görmek için ekip bunu çok farklı üç veri kümesi üzerinde test etti. Birincisi, 464 sensör kanalı ile ılıman, denizsel iklimi yakalayan, Birleşik Krallık’taki altı türbinli bir çiftliğin beş yıllık işletme verilerini kapsıyordu. İkinci veri kümesi, hareketli muson rüzgarlarını yansıtan 87 ölçümü ile güney Hindistan’daki tropikal bir ticari sahadan geldi. Üçüncüsü ise yalnızca beş sinyale sahip ama çok hızlı örneklemeli kontrollü bir laboratuvar türbiniydi; bu, güç elektroniği kontrolörünü ayrıntılı incelemek için kullanıldı. Bu örneklerin tamamında yöntem, etkin özellik sayısını yaklaşık dörtte üç oranında azalttı—Birleşik Krallık çiftliğinde 464 sinyalden 58’e ve Hindistan çiftliğinde 87’den 8’e kadar düşürürken—buna rağmen güç veya hızı, tüm sensörler kullanıldığında elde edilenden biraz daha iyi tahmin edebildi.

Kazançların Pratikte Nasıl Göründüğü

Araştırmacılar, türbin gücünü veya rotor hızını tahmin eden makine öğrenimi modellerini sadeleştirilmiş özellik setleriyle eğittiklerinde, hatalar tüm sensörleri kullanan modellere kıyasla yaklaşık %9–15 azaldı. Veri biliminin yaygın olarak kullandığı daha basit seçme tekniklerine karşı ise iyileşme daha da büyüktü; hatada yaklaşık %30’a varan düşüş görüldü. Kritik olarak, bu kazançlar hesaplama açısından büyük tasarrufla birlikte geldi: 464 sinyali 58’e düşürmek işlem yükünü neredeyse %88 azalttı ve bu da gelişmiş tahmin modellerini rüzgar çiftliği kontrol odalarında tipik olarak bulunan mütevazı donanımlarda çalıştırılabilir hale getirdi. Seçilen sensör setleri ayrıca nacelle’daki rüzgar hızı, rotor hızı, jeneratör torku ve aerodinamik verimliliğin türetilmiş ölçümleri gibi fiziksel olarak anlamlı büyüklüklere eğilim gösteriyor; bu da mühendislerin modellerin ne yaptığını anlamasına ve güvenmesine yardımcı oluyor.

Temiz Enerji İçin Neden Önemli

Çünkü tahmindeki küçük bir iyileşme bile daha iyi kontrol kararlarına dönüşebilir, yazarlar tahmin doğruluğunda %10’luk bir artışın bir ölçekteki rüzgar çiftliğinde yıllık enerji üretimini %2–3 yükseltebileceğini tahmin ediyor. Birçok türbin ve yıllara yayıldığında bu, yeni bir türbin inşa etmeye gerek kalmadan—sadece veriyi daha akıllıca kullanarak—önemli bir finansal ve iklim faydasına dönüşür. Çalışmanın iki aşamalı stratejisi pratik bir reçete sunuyor: önce performansla gerçekten ilişkili olan yüzlerce olası ölçümü hızla süzün; sonra gerçek zamanlı hesaplama sınırlarına uyacak kompakt sensör setlerini bulmak için kombinasyonları sistematik olarak keşfedin. Şebeke işletmecileri, geliştiriciler ve politika yapıcılar için bu, daha akıllı veri seçiminin yenilenebilir enerji sistemlerini daha verimli ve güvenilir kılmak için güçlü ve nispeten düşük maliyetli bir kaldıraç olduğunu vurguluyor.

Atıf: Duraisamy, S., Thangavelu, V. A multi dataset validation model for hybrid feature selection in wind energy maximum power point tracking systems. Sci Rep 16, 9747 (2026). https://doi.org/10.1038/s41598-026-41602-3

Anahtar kelimeler: rüzgar enerjisi, özellik seçimi, maksimum güç noktası takibi, makine öğrenimi, yenilenebilir enerji tahmini