Greylag Goose ve İkili Düzeyli Grafik Modelleri ile Akıllı Bina Mikroşebekelerinde Optimizasyon Tabanlı Yük Tahmini ve Talep Yönetimi

Daha Akıllı Binalar Daha Akıllı Enerji Beyinleri Gerektirir

Güneş panelleri, piller ve elektrikli araçlar eklendikçe evlerin, ofislerin ve kampüslerin enerji yönetimi şaşırtıcı derecede karmaşık hale geliyor. Binalar sürekli olarak şebekeden ne zaman güç çekileceğine, pillerin ne zaman şarj veya deşarj edileceğine ve israf ile kesintilerin nasıl önleneceğine karar vermek zorunda. Bu makale, elektrik kullanımını yüksek doğrulukla tahmin eden ve pil kullanımını o kadar dikkatli planlayan yeni bir “enerji beyni” sunuyor ki pil ömrünü iki kattan fazla uzatabiliyor.

Karmaşık Bir Mini-Şebekede Işıkları Açık Tutmak

Akıllı bina mikroşebekesi, tek bir tesis etrafında sarılmış küçük bir güç sistemi gibidir. Çatı güneş panelleri, küçük rüzgâr türbinleri, piller, elektrikli araçlar ve ana şebekeye bağlantı içerebilir. Binanın enerji yöneticisi, güneş ışığının değişmesi, insanların gelip gitmesi ve pillerin yaşlanması gibi değişkenlere rağmen her birkaç dakikada bir arz ve talebi dengelemelidir. Tahminler yanlışsa bina pahalı tepe güç satın alabilir, yenilenebilir enerjiyi israf edebilir veya pilleri beklenenden daha hızlı yıpratabilir. Yazarlar iki ana hedefe odaklanıyor: bu tür binalarda kısa vadeli enerji talebini tahmin etmek ve bu bilgiyi hem maliyeti hem de aşınmayı azaltacak şekilde pilleri işletmek için kullanmak.

Tahmin Öncesi Veriyi Temizleme

Sistem, Hindistan’daki gerçek bir akıllı bina mikroşebekesinden alınmış bir yıllık ayrıntılı ölçümle başlıyor. Sensörler her beş dakikada bir şebeke akımları ve gerilimleri, güneş üretimi, pil davranışı ve sıcaklık, nem ve rüzgâr hızı gibi hava koşullarını kaydetti. Gerçek dünya verileri düzensizdir: sensörler arızalanır, okumalar sıçrar ve farklı büyüklükler farklı ölçeklerde olur. Bunu düzeltmek için yazarlar, gerçek talep dalgalanmalarını korurken gürültüyü düzelten Hızlı Yeniden Örneklenmiş Yinelemeli Filtreleme adlı özel bir temizleme adımı uygular. Ardından hangi sensör okumalarının gerçekten tahmin için en önemli olduğunu belirlemek üzere doğadan ilhamlı bir arama yöntemi olan Prairie Dog Optimization’ı kullanırlar. Algoritma, güneş gerilimi, pil deşarj gücü ve günün saati gibi beş temel girdide karar kılarak karmaşıklık ekleyip çok az yeni bilgi sağlayan yinelenen sinyalleri eler.

Enerji Ağını Okumayı Ağ Öğrenmesine Öğretmek

Her ölçümü izole bir zaman serisi olarak ele almak yerine yazarlar bunların etkileşimlerini bir ağ olarak modeller. İlişkisel İkili Düzeyli Toplama Grafik Konvolüsyonel Ağı’nda grafikteki her düğüm ana özelliklerden birini (örneğin sıcaklık veya pil deşarj gücü) temsil eder ve bağlantılar zaman içinde birbirlerini ne kadar güçlü etkilediklerini gösterir. Model önce güneş gerilimi ile pil gücünün kısa bir pencerede birlikte nasıl hareket ettiğine dair yerel desenleri öğrenir, ardından günlük döngüleri ve daha geniş ilişkileri yakalayan küresel desenleri oluşturur. Bu katmanların birleşimi sayesinde sistem yalnızca talebin ne zaman değiştiğini değil, bu değişimin güneş, sıcaklık ve pil kullanımıyla nasıl bağlı olduğunu görür ve gelecek yükleri tahmin etme yeteneğini geliştirir.

Kazlardan Uçuş Modeli Ödünç Almak

Bu grafik modelini ayarlamak için yazarlar başka bir biyoinspire yöntem olan Greylag Goose Optimization’ı kullanır. Doğada V-formation içinde uçan kazlar enerji tasarrufu yapmak ve rotada kalmak için sürekli pozisyonlarını ayarlar. Bu algoritmada her “kaz” öğrenme hızı ve iç ağırlıklar gibi olası bir model ayar kümesini temsil eder. Eğitim sırasında bu sanal kazlar, tahmin hatasını en düşük seviyeye getiren ve kötü yerel çözümlere takılmayan kombinasyonları arayıp rafine eder. Bu uyarlanabilir ayarlama, özellikle elektrikli araç şarjından kaynaklanan ani artışlar veya boş olduğunda düşüşler gibi yüksek düzensizliğe sahip bina yüklerinde bile modelin kararlı kalmasına yardımcı olur.

Daha Keskin Tahminler ve Daha Uzun Ömürlü Piller

Yeni çerçeve, birkaç popüler derin öğrenme ve hibrit yöntemle karşılaştırıldığında ortalama yaklaşık %98,3 tahmin doğruluğuna ulaşırken en iyi alternatifler için bu oran yaklaşık %80–92 arasındadır. Hata ölçüleri yarışan modellerinkinin yarısından daha azdır ve tahminleri çalışmadan çalışmaya daha tutarlıdır. Ortaya çıkan tahminler pil farkındalıklı zamanlama için kullanıldığında bina talebi verimli bir aralıkta tutabilir ve derin, stresli şarj–deşarj döngülerinden kaçınabilir. Simülasyonlar, bu daha dikkatli kontrolün pilin orijinal kapasitesinin %80’inin üzerinde kalma süresini iki kattan fazla artırabileceğini öne sürüyor; yani daha iyi tahmin gerçek donanım tasarrufuna dönüşüyor.

Günlük Enerji Kullanıcıları İçin Anlamı

Halk için temel mesaj, bir binanın içindeki daha iyi “dijital planlamanın” doğrudan daha düşük faturalar, daha az şebeke arızası ve daha uzun ömürlü piller ve ekipmanlara dönüşebileceğidir. Sensör verilerini temizleyerek, en bilgilendirici sinyallere odaklanarak, bunların nasıl etkileştiğini modelleyerek ve modeli akıllıca ayarlayarak önerilen yaklaşım bina mikroşebekelerine yakın geleceğin çok daha net bir görünümünü sağlar. Bu netlik ise elektriğin ne zaman depolanacağına, kullanılacağına veya satılacağına ilişkin daha akıllı kararlar almaya imkan vererek, enerji yönetimini sahnenin arkasında sessizce yürüten güvenilir, düşük karbonlu binalara bir adım daha yaklaştırır.

Atıf: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Anahtar kelimeler: akıllı bina mikroşebekeleri, yük tahmini, pil bozulması, enerji yönetimi, graf sinir ağları