Bu proje, rüzgar türbinlerine ait SCADA (Supervisory Control and Data Acquisition) verilerini kullanarak, türbinin anlık güç üretimini makine öğrenmesi algoritmalarıyla yüksek doğrulukla tahmin etmeyi amaçlar. Geliştirilen en başarılı model, Streamlit tabanlı interaktif bir web arayüzüne entegre edilmiştir.
Rüzgar enerjisinin değişken ve stokastik yapısını analiz ederek, enerji üretim planlamasına yardımcı olacak güvenilir bir tahmin mekanizması oluşturmaktır. Proje kapsamında ham veri temizlenmiş, Linear Regression, XGBoost ve LightGBM modelleri kıyaslanmış ve %96.80 başarı oranına ulaşılmıştır.
Kullanılan veri seti 50.530 satır SCADA verisinden oluşmaktadır.
- Öznitelikler: Tarih/Saat, Rüzgar Hızı (m/s), Rüzgar Yönü (°), Teorik Güç Eğrisi (KWh) ve Aktif Güç (kW).
- Veri Temizliği: Rüzgar hızının yüksek olduğu (>3 m/s) ancak üretimin olmadığı (<= 20 kW) anomali durumları (arıza/bakım) tespit edilerek veri setinden çıkarılmıştır.
- Feature Engineering: Zaman damgası; Ay, Gün ve Saat olarak ayrıştırılarak modelin mevsimsel döngüleri öğrenmesi sağlanmıştır.
Projede üç farklı model eğitilmiş ve performansları karşılaştırılmıştır. LightGBM, hem hız hem de doğruluk açısından en iyi performansı gösteren model olarak seçilmiştir.
| Model | R² Skoru | MAE (Ortalama Hata) | RMSE (Karesel Hata) | Durum |
|---|---|---|---|---|
| Linear Regression | 0.9634 | 129.52 kW | 250.22 kW | Baseline |
| XGBoost | 0.9661 | 97.70 kW | 241.04 kW | İyi Performans |
| LightGBM | 0.9680 | 97.39 kW | 234.21 kW | 🏆 Seçilen Model |
- Dil: Python 3.13
- Veri Analizi: Pandas, NumPy
- Görselleştirme: Matplotlib, Seaborn
- Makine Öğrenmesi: Scikit-learn, XGBoost, LightGBM
- Arayüz (GUI): Streamlit
- Model Kayıt: Joblib
- Repoyu klonlayın:
- Gerekli kütüphaneleri yükleyin:
- Gerekli dosya yollarını kendi yolunuza göre ayarlayın
- Uygulamayı çalıştırın:
streamlit run [app.py dosyasının yolu]
- Kaan Pulat - Veri Analizi, Modelleme, Arayüz, Dokümantasyon ve Kontrol
- Eren Akca - Veri Temizleme, Modelleme, Arayüz, Dokümantasyon ve Kontrol