Tekrarlayan sinir ağı modeli ve derin öğrenmeden akıllı şebekenin pik kaydırma elektrik tüketimi yönetimi ve etkileyen faktörler

Neden daha akıllı kampüs enerji kullanımı önemli

Üniversite kampüsleri gece gündüz hareketlidir: dersler, laboratuvarlar, yurt yaşamı, gece çalışma seansları ve sunucularla aydınlatmanın sürekli uğultusu. Tüm bunlar elektrik talebinde büyük dalgalanmalara yol açar—çok sayıda cihaz aynı anda çalıştığında keskin zirveler ve binalar az kullanıldığında derin çukurlar. Bu zirveler şebeke için maliyetlidir ve gezegen için israf yaratır. Bu çalışma, modern yapay zeka araçlarını hidrojen temelli enerji depolamayla birleştirmenin kampüslerin ne zaman enerjiye ihtiyaç duyacağını önceden tahmin etmelerine, bu zirveleri düzleştirmelerine ve öğrenmenin ışığını kısmadan elektriği daha verimli kullanmalarına nasıl yardımcı olabileceğini inceliyor.

Günlük kampüs yaşamında desenleri görmek

Çalışmanın merkezinde kampüsteki elektrik kullanımının rastgele olmadığı—insan rutinlerini sıkı şekilde izlediği—fikri var. Araştırmacılar yaklaşık bir buçuk yıl boyunca Çin’de bir üniversitenin 15 binasından ayrıntılı güç verileri ile hava durumu kayıtları ve ders programlarını topladılar. Ardından enerji kullanımının saat saat nasıl yükselip düştüğünü gösteren renkli ısı haritaları kullandılar: yurtlar, sınıflar, ofisler, yemekhaneler ve aydınlatma sistemleri. Bu görsellerden, öğle yemeği ve geç gece olmak üzere iki büyük zirve gösteren yurtlar, yalnızca ders saatlerinde zirve yapan sınıflar ve gece boyunca sabit yanan sokak lambaları gibi altı günlük desen tanımlandı. Bu desenler her bina tipi için özelleştirilmiş enerji tasarrufu taktiklerinin temelini oluşturuyor.

Bir sinir ağını talebi tahmin etmeye öğretmek

Bu desenlerin üzerinde işlem yapabilmek için önce yarının nasıl olacağını bilmeniz gerekir. Ekip, binaların saatten saate ne kadar elektrik tüketeceğini tahmin etmek üzere tekrarlayan bir sinir ağı (RNN) türü bir yapay zekâ modelini eğitti. RNN’ler ardışık verilerle çalışmak üzere tasarlanmıştır ve güç talebinin zaman içindeki evrimini izlemeye uygundur. Model, geçmiş elektrik kullanımı, sıcaklık, nem, günün saati, hafta içi veya hafta sonu olup olmadığı ve ders programı gibi bilgileri içeren son 24 saati bir kerede işledi ve ardından bir sonraki saatin tüketimini tahmin etti. Yazarlar veri temizliği konusunda dikkatli davrandılar: eksik okumaları benzer hava ve programdaki günlere bakarak doldurdular ve aşırı uyumu önlemek için veriyi kronolojik olarak eğitim, doğrulama ve test setlerine böldüler.

Diğer tahmin yöntemlerini geride bırakmak

RNN’nin performansı basit doğrusal regresyon, daha esnek doğrusal olmayan regresyon, ARIMA ve Gri modeller gibi geleneksel istatistiksel modeller ve LSTM adlı başka bir derin öğrenme yöntemi dahil olmak üzere birkaç yaygın tahmin aracıyla karşılaştırıldı. Kampüs verileri ve üç genel elektrik veri kümesi boyunca RNN tutarlı şekilde daha düşük hatalar üretti. Gerçek kampüs testlerinde RNN’nin ortalama kare hatası—büyük sapmaları ağır şekilde cezalandıran bir ölçü—doğrusal regresyona kıyasla dramatik biçimde küçüktü ve ortalama yüzdesel hatası tek hanelerde kaldı. Hata dağılımları, RNN’nin yanlışlarının sıkışık olduğunu ve tahmin edilen eğrilerinin neredeyse gerçek yükle çakıştığını gösteriyordu; bu da hem doğruluk hem de istikrarı işaret ediyor. Yazarlar bunun RNN’lerin her zaman LSTM’leri genellediği anlamına gelmediğini not etse de, nispeten basit bir ağın bu özel ortamda çok iyi çalışabileceğini gösteriyor.

Hidrojen depolama ile güç eğrisini düzleştirmek

Sadece tahmin fatura kesmez; talebi yeniden şekillendirecek bir yola da ihtiyaç vardır. Burada çalışma, devasa şarj edilebilir bir tampon gibi davranan sanal bir hidrojen enerji depolama sistemi sunuyor. RNN tahmini düşük-yük saatlerini işaret ettiğinde sistem elektriği hidrojen hâline çevirerek “şarj” olur; zirveler yaklaştığında ise depolanan enerjiyi kampüse geri vererek “deşarj” eder. Dinamik programlama rutini, kapasite, güç ve verim sınırlamalarına uyarak saat saat depolamanın şarj mı, deşarj mı yoksa beklemede mi kalacağına karar veriyor. Temsili bir 24 saatlik örnekte, bu strateji günlük maksimum yükü yaklaşık 46 kilovatsaatten yaklaşık 33’e düşürdü, zirve ile ortalama kullanım arasındaki farkı azalttı ve talebin önceden belirlenmiş kotayı aştığı tüm dönemleri ortadan kaldırdı. Bedeli, depolama çevrimindeki kayıplar nedeniyle toplam günlük enerji kullanımında yüzde birin altında küçük bir artış oldu.

Bu, günlük enerji kullanıcıları için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma kampüslerin—ve dolayısıyla ofis parklarının, hastane komplekslerinin veya konut bölgelerinin—enerji geleceklerini görmekle kalmayıp onu şekillendirmek için de yapay zekâyı kullanabileceğini gösteriyor. Elektriğin ne zaman ve nerede gerekli olacağını önceden tahmin ederek ve bu tahminleri hidrojen tankları veya bataryalar gibi esnek depolama ile eşleştirerek işletmeciler maliyetli zirveleri törpüleyebilir, düşük talep dönemlerindeki enerjiyi daha iyi kullanabilir ve daha geniş şebekeye binen yükü azaltabilir. Yazarlar sonuçlarının tek bir kampüsten ve simüle edilmiş bir depolama ünitesinden geldiğini, gerçek dünyada uygulamaya geçirilirken fiyatlar, karbon ve konforun da hesaba katılması gerektiğini uyarıyor. Yine de bu çerçeve, yarının enerji alışkanlıklarının bugün oluştuğu yerlerde daha akıllı, daha temiz elektrik kullanımı için gerçekçi bir yol haritası sunuyor.

Atıf: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Anahtar kelimeler: akıllı şebeke, kampüs enerjisi, yük tahmini, hidrojen depolama, derin öğrenme