Zamanla Değişen Filtreli Ampirik Mod Durum Ayrıştırmasını Optimize etmek için İyileştirilmiş Kaçış Algoritmasına Dayalı Çok Ölçekli Rüzgâr Hızı Tahmin modeli

Rüzgârı tahmin etmenin önemi

Daha fazla elektriğimiz rüzgâr çiftliklerinden geldikçe, ışıkların yanmaya devam etmesi önümüzdeki birkaç dakika ve saat içinde rüzgârın ne kadar eseceğini bilmeye bağlıdır. Tahminler yanlışsa, şebeke işletmecileri arz ve talebi dengelemek için hızlıca önlem almak zorunda kalır; bu da temiz enerjinin boşa gitmesine veya kesintiler riskine yol açar. Bu makale, özellikle gerçek zamanlı şebeke kontrolü için kritik kısa vadeli zaman dilimlerinde rüzgâr hızını daha doğru tahmin etmenin yeni bir yolunu sunuyor.

Karışık rüzgâr sinyallerini çözmek

Bir türbinde ölçülen rüzgâr hızı, hızlı ani rüzgârlar, daha yavaş salınımlar ve yumuşak uzun dönem eğilimlerin karışımıdır. Geleneksel tahmin yöntemleri genellikle bu düğümlenmiş yapıyı tek bir akış olarak ele alır; bu da bilgisayar modellerinin net desenleri yakalamasını zorlaştırır. Yazarlar, ham rüzgâr verilerini hareketin farklı zaman ölçeklerini temsil eden birkaç katmana ayırmakla işe başlar. Bu, zamanla değişen filtreli ampirik mod ayrıştırması (time-varying filter empirical mode decomposition) adlı bir teknikle yapılır; akıllı bir elekten daha fazlası gibi çalışır: yüksek frekanslı gürültüyü, orta frekanslı salınımları ve düşük frekanslı eğilimleri ayırır, böylece her biri ayrı ayrı incelenip tahmin edilebilir.

Bir algoritmayı kötü tahminlerden kaçınmaya öğretmek

Ancak bu akıllı elek yalnızca ayarları doğru olduğunda iyi çalışır. Bu ayarları elle seçmek veya hazır arama yöntemleriyle belirlemek yavaş ve güvenilmez olabilir; özellikle karmaşık, hızla değişen rüzgâr verileri için. Bunu çözmek adına yazarlar, kalabalıkların yabancı bir binada çıkışları bulma biçiminden ilham alan "iyileştirilmiş kaçış algoritması" tasarlar. Algoritma birçok olası ayardan başlar, kontrollü bir rastgelelikle bunları karıştırır ve sonra zayıf seçenekleri daha iyi olanlara doğru kademeli olarak iteler. Kaotik başlatma, seçkin aday havuzunun evrimi, hedefe yönelik mutasyon adımları ve popülasyonu en iyi çözümlere çeken bir mekanizma ekleyerek, iyileştirilmiş algoritma birkaç popüler rakibe göre daha hızlı ve daha güvenilir biçimde yakınsama sağlar.

Farklı hareket türleri için farklı araçlar

Rüzgâr sinyali yüksek-, orta- ve düşük frekanslı parçalara ayrıldıktan sonra ekip her birine farklı bir tahmin aracı atar. En çalkantılı, yüksek frekanslı parçaya karmaşık ve hızlı değişimleri hatırlamada uzman gelişmiş bir derin öğrenme ağı verilir. Daha düzgün, orta frekanslı değişimler esneklik ile kararlılığı dengeleyen daha mütevazı bir hafıza tabanlı model tarafından ele alınır. Neredeyse eğilim benzeri yavaş düşük frekanslı bileşen ise hızlı eğitilebilen ve gürültüye fazla uyum sağlamayan hafif bir sinir ağına emanet edilir. Her parça ayrı ayrı tahmin edildikten sonra, tahminler tekrar birleştirilerek tek bir zamana bağlı rüzgâr hızı tahmini elde edilir.

Modeli teste sokmak

Bu çok katmanlı yaklaşımın pratikte gerçekten işe yarayıp yaramadığını kontrol etmek için yazarlar, Çinin Xinjiang bölgesindeki bir rüzgâr çiftliğinden alınan ayrıntılı verileri kullanır; ölçümler her 15 dakikada bir ve çeşitli yüksekliklerde yapılmıştır. Sistemlerini basit sinir ağlarından son teknoloji derin öğrenme yöntemlerine kadar uzanan popüler tahmin modelleriyle karşılaştırırlar. Bir adım önden başlayıp 15 adım öne kadar—yaklaşık dört saate kadar—uzanan tahminlerde, yeni model tutarlı şekilde daha küçük hatalar üretir. Özellikle 15 adım sonrasına bakıldığında, güçlü tek bir derin modele kıyasla doğruluğunu çok daha iyi korur: hatası daha yavaş artar ve uzun vadeli tahminleri sıklıkla zayıflatan hızlı bozulmadan kaçınır.

Geleceğin enerji şebekeleri için anlamı

Düz konuşmak gerekirse, çalışma rüzgârı çok katmanlı bir sinyal olarak ele almanın—ve her katmanı uygun türden bir tahmin motoruyla eşleştirmenin—şebeke işletmecilerine yakın gelecek için daha net ve daha stabil bir bakış sağlayabileceğini gösteriyor. İyileştirilmiş optimizasyon algoritması sinyal ayrıştırma adımının hassas biçimde ayarlanmasını sağlarken, özel tahminleyicilerin karışımı tahmin ufku uzadıkça hataların büyümesini engeller. Birlikte, bu gelişmeler enerji sistemlerinin daha fazla rüzgâr enerjisini güvenilirliği tehlikeye atmadan barındırmasına yardımcı olabilir ve daha temiz, daha dayanıklı elektrik ağlarına geçişi kolaylaştırabilir.

Atıf: Zheng, H., Wu, Q., Lv, X. et al. Multi-scale wind speed prediction model based on improved escape algorithm for optimizing time-varying filtering empirical modal decomposition. Sci Rep 16, 4958 (2026). https://doi.org/10.1038/s41598-026-35505-6

Anahtar kelimeler: rüzgâr enerjisi, yenilenebilir güç tahmini, zaman serisi ayrıştırması, derin öğrenme modelleri, elektrik şebekesi kararlılığı