Kısa vadeli talep tahmini için evrişimsel özellik çıkarımıyla derin artık ağlar

Yarının elektrik kullanımı neden bugün önemlidir

Anahtarı her çevirdiğimizde, enerji şirketlerinin doğru miktarda elektriği hazır bulundurması gerekir. Çok az üretirlerse ışıklar titrer ve fabrikalar durur; çok fazla üretirlerse yakıt ve para israfı olur. Bu makale, şebeke işletmecilerinin farklı iklim koşullarında—New England’ın kışlı ortamından Malezya’nın tropik iklimine kadar—insanların ertesi gün saat saat ne kadar elektrik tüketeceğini tahmin etmelerine yardımcı olan yeni bir yapay zeka yöntemini inceliyor.

Günlük enerji ihtiyaçlarımızı tahmin etme zorluğu

Kısa vadeli talep tahmini, bir bölgenin önümüzdeki bir saatten bir haftaya kadar ne kadar elektriğe ihtiyaç duyacağını öngörme görevidir. Bu tahminler hangi santrallerin devreye alınacağı, bakımın nasıl planlanacağı ve enerji ticaretinin nasıl düzenleneceği gibi kritik kararları yönlendirir. Küçük bir iyileşme bile büyük meblağlarda tasarruf sağlayabilir; büyük bir enerji sağlayıcısı için tahmin hatasını sadece yüzde bir azaltmak yılda milyonlarca dolarlık yakıt maliyeti tasarrufu anlamına gelebilir. Ancak elektrik talebi birçok iç içe geçmiş faktör tarafından şekillendirilir: günün saati, haftanın günü, mevsim, hava durumu, tatiller ve değişen alışkanlıklar. Tüm bu desenleri güvenilir şekilde yakalamak zordur, özellikle enerji sistemleri daha karmaşık hale geldikçe ve iklim koşulları daha değişken oldukça.

Önceki akıllı tahmin araçlarının sınırlamaları

Araştırmacılar bu tahminleri matematiksel modellerle ve son yıllarda derin öğrenmeyle iyileştirmeye çalıştılar. Regresyon ve basit sinir ağları gibi geleneksel yaklaşımlar, girdi sayısı arttıkça zorluk yaşar; sık sık ince desenleri kaçırır veya geçmiş verilere aşırı uyum sağlar. Daha gelişmiş ağların her birinin güçlü ve zayıf yönleri vardır: evrişimsel ağlar verideki kısa vadeli dalgalanmaları tespit etmede iyidir ama uzun vadeli eğilimleri kavramakta zayıftır; LSTM ve GRU gibi yinelemeli ağlar daha uzun dizileri izleyebilir ama yavaş ve eğitimi daha zordur; Transformer modeller karmaşık ilişkileri yakalar fakat yüksek hesaplama gücü gerektirir ve derinleştikçe kararsızlaşabilir. Derin artık ağ olarak bilinen ve çok derin modellerin öğrenmesini eğitim bozulmadan sağlayan “kısa yol” bağlantıları ekleyen popüler bir uzlaşma vardır. Ancak önceki tasarımların çoğu bu artık tekniklerini yalnızca sonraki tahmin katmanlarında kullandı, hammadde özelliklerin ilk çıkarıldığı kritik erken aşamalarda değil.

Yakını ve uzağı gören iki aşamalı bir model

Yazarlar, CNN‑Gömülü Derin Artık Ağı adını verdikleri yeniden tasarlanmış bir tahmin sistemi öneriyor. Birinci aşamada model yerel ayrıntılara odaklanır. Model, son 24 saatten birkaç aya kadar uzanan geçmiş yük ve sıcaklık geçmişlerini bir boyutlu evrişim bloklarından geçirir. Bu bloklar, zaman serilerini tarayarak tekrarlayan şekilleri tespit eden kaydırma pencereleri gibi çalışır: sabah zirveleri, akşam patlamaları, hafta sonu düşüşleri veya ani hava kaynaklı sıçramalar. Bir havuzlama adımı her tespit edilen deseni sıkıştırılmış bir özet haline getirir, gürültüyü azaltırken önemli olanı korur. Paralel olarak mevsim, haftanın günü ve tatil bilgileri gibi takvim verileri işlenip birleştirilir. Ardından gelecek günün her saati için yirmi dört küçük alt ağ, bu zenginleştirilmiş özellikleri başlangıç 24 saatlik tahmine dönüştürür.

Derin rafinasyon ve iki çok farklı şebekede testler

İkinci aşamada, geliştirilmiş bir artık ağı bu ilk tahmini alır ve düzeltir. Kısa yol bağlantılarına sahip yığılı “bloklar” saatlik değerleri ayarlarken günlük genel şekli gerçekçi tutar ve eğitim sürecinin durmasını engeller. Ekip, bu mimariyi iki gerçek dünya veri kümesi üzerinde eğitip ayarladı: güçlü mevsimsel değişimler gösteren altı ABD eyaletini kapsayan ISO New England ve elektrik kullanımının tropik iklimde daha istikrarlı olduğu Malezya. Modellerini saf evrişimsel ağlar, çeşitli yinelemeli ağlar, bir Transformer, orijinal artık ağ tasarımı ve yalnızca evrişim veya artık parçaları ekleyen varyantlar dahil geniş bir alternatif yelpazesiyle karşılaştırdılar. Performans yaygın hata ölçüleri, özellikle ortalama mutlak yüzde hata ile değerlendirildi ve kapsamlı bootstrap yeniden örnekleme kullanılarak istatistiksel anlamlılık testleri yapıldı.

Daha akıllı şebekeler hakkında sonuçların anlattıkları

CNN‑Gömülü Derin Artık Ağı tutarlı şekilde en doğru tahminleri verdi. New England verisinde ortalama yüzde hatayı yaklaşık %1,53’e düşürdü ve güçlü artık‑tabanlı rakiplere göre yaklaşık %11’e varan iyileşmeler sağladı. Desenlerin daha pürüzsüz ve kazançların elde edilmesinin daha zor olduğu Malezya’da bile hatayı yaklaşık %5,06’ya indirdi ve diğer tüm modelleri geride bıraktı. Mevsimsel testler yönteminin ilkbahar ve yaz zirvelerini, kış ısıtma yüklerini ve tropikal yağışlı ile kurak mevsimleri doğruluk kaybetmeden ele alabildiğini gösterdi. İstatistiksel kontroller bu iyileşmenin tesadüften kaynaklanmadığını doğruladı. Uzman olmayanlar için çıkarım açık: kısa vadeli desenler için bir “mikroskop” ile derin öğrenmeyi stabilize eden bir “omurga”yı birleştirerek bu yaklaşım, şebeke işletmecilerine ertesi günün elektrik ihtiyaçlarını daha güvenilir biçimde öngörme, para tasarrufu yapma, israfı azaltma ve daha akıllı, daha temiz enerji sistemlerine geçişi destekleme imkânı sunuyor.

Atıf: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Anahtar kelimeler: kısa vadeli talep tahmini, derin öğrenme, elektrik şebekesi, evrişimsel sinir ağları, artık ağlar