Hibrit PV sistemlerinde makine öğrenimi ile kararlılık tahminlerini geliştirmek için korelasyona dayalı özellik önem analizi

Aydınlatmanın sabit tutulması neden zorlaşıyor

Daha fazla konut ve işletme güneş enerjisiyle beslendikçe, elektrik şebekesini kararlı tutmak daha karmaşık hâle geliyor. Panellerin üzerindeki bulut geçişleri veya talepteki ani değişimler, geleneksel kontrol yöntemlerinin tasarlanmadığı biçimlerde gerilimleri yukarı veya aşağı itebiliyor. Bu makale, modern makine öğreniminin bu tür bozulmalar için bir erken uyarı sistemi gibi nasıl çalışabileceğini; güneş enerjisini geleneksel kaynaklarla harmanlayan hibrit sistemlerde hem şebeke gerilimini hem de genel kararlılığı nasıl tahmin edebileceğini inceliyor.

Güneş enerjili bir şebekenin dijital ikizinin nasıl oluşturulduğu

Yüksek gürültülü veya eksik saha ölçümlerine dayanmak yerine, yazarlar önce MATLAB/Simulink’te şebekeye bağlı bir güneş mikroşebekesinin ayrıntılı bir “dijital ikiz”ini oluşturdular. Bu sanal sistem; güneş panelleri, bunları şebekeye bağlayan elektronik invertör ve gerilim ile frekansa bağlı olarak değişen müşteri yüklerini içeriyor. Güneş ışınımı, sıcaklık, yük talebi ve invertör çalışma koşullarını sistematik olarak değiştirerek 500 gerçekçi işletim senaryosu ürettiler. Her bir senaryo için model, şebeke akımı, gerilimi ve sistemin bozulmaları ne kadar iyi atlattığını, gerilim ve frekansın ne kadar sıkı kontrol edildiğini ve invertörün sınırlarına ne kadar yakın olduğunu yansıtan birleşik bir kararlılık skoru kaydediyor.

Ham sinyalleri anlamlı ipuçlarına dönüştürmek

Bu simülasyonlardan, tahmin için altı temel sinyal girdi olarak seçildi: ortam sıcaklığı, güneş ışınımı, yük seviyesi, DC-bağlantı gerilimi, invertör çıkış gücü ve şebeke akımı. Ekip verileri normalize etti, temizledi, aykırı değerleri kaldırdı ve ardından önemli olanı öne çıkarmak için basit ama etkili bir fikri kullandı: korelasyona dayalı özellik ağırlıklandırması. Her bir girdi için hedef çıktılar olan şebeke gerilimi ve kararlılık skoru ile ne kadar güçlü birlikte hareket ettiğini ölçtüler. Daha güçlü bağlantıya sahip özelliklere modeller eğitilmeden önce daha yüksek ağırlıklar verildi. Bu adım yeni veri icat etmez; fakat öğrenme sürecini şebeke akımı ve DC-bağlantı gerilimi gibi fiziksel olarak önemli değişkenlere daha fazla dikkat etmeye yönlendirir.

Beş öğrenme modelinin teste tabi tutulması

Ağırlıklı veri kümesi hazırken, yazarlar beş popüler makine öğrenimi yaklaşımını karşılaştırdı: Random Forests, Extra Trees, Support Vector Regression, CatBoost ve Gradient Boosting. Tüm modeller aynı koşullar altında, verinin %80:%20 olarak bölünmesi ve ortak bir doğruluk ölçütleri seti kullanılarak eğitildi ve test edildi. Bu ölçütler, açıklanan varyasyon miktarını gösteren tanımlama katsayısı (R²) ve hem ortalama hatalara hem de bu hataların dağılımına bakan çeşitli hata skorlarını içeriyordu. Çalışma ayrıca başlık sayıların ötesine geçerek hataların zaman içindeki dağılımını ve tahminlerin ne sıklıkla dar tolerans aralıkları içinde kaldığını inceledi.

Gradient Boosting neden öne çıktı

Her biri öncekinin hatalarını düzelten basit modeller dizisi kuran Gradient Boosting, tutarlı şekilde en doğru ve güvenilir tahminleri sundu. Şebeke gerilimi için ölçülen değerlere olağanüstü yakın sonuç verdi; test R²’si yaklaşık 0,98 ve tipik yüzde hataları yaklaşık dörtte bir yüzde civarındaydı; gerilim hatalarının yaklaşık %95’i yarım volt içinde kaldı. Kararlılık skoru için de en iyi performansı gösterdi; varyasyonun %93’ünden fazlasını yakalayarak ortalama hataları bir birimin altında tuttu. Korelasyona dayalı özellik ağırlıkları uygulandığında, özellikle kararlılık tahmininde doğruluğu daha da arttı ve hata dağılımları rakip modellerininkinden daha dar ve daha homojen hale geldi. Bu, sadece yüksek ortalama performansı değil, sakin ve hızlı değişen işletim koşulları boyunca güvenilir davranış gösterdiğini işaret eder.

Gelecekte güneş ağırlıklı şebekeler için bunun anlamı

Uzman olmayanlar için temel mesaj, dikkatle tasarlanmış makine öğrenimi araçlarının şebeke işletmecilerine güneş ağırlıklı bir sistemin bir sonraki anlarda veya dakikalarda nasıl davranacağına dair güvenilir bir önizleme sağlayabileceğidir. Fizik tabanlı bir dijital ikiz, basit korelasyon analizi ve Gradient Boosting gibi güçlü bir topluluk yönteminin bir araya getirilmesiyle çerçevenin, gerilimlerin ne zaman kayma eğiliminde olduğunu veya sistemin kararlılık marjının ne zaman daraldığını işaretlemesi mümkün olur. Bu da daha akıllı invertör ayarlarını, reaktif güç kullanımının iyileştirilmesini ve daha hedeflenmiş bakım yapılmasını destekleyerek kesintileri ve gereksiz temiz enerji kısıtlamalarını azaltır. Özetle çalışma, mevcut kontrol donanımının üzerine yorumlanabilir veri odaklı bir katman eklemenin, yenilenebilir ağırlıklı şebekeleri daha dirençli, verimli ve yönetmesi daha kolay hale getirebileceğini gösteriyor.

Atıf: Swarnkar, V., Ralhan, S., Singh, M. et al. Correlation based feature importance analysis for improving machine learning stability predictions in hybrid PV systems. Sci Rep 16, 10041 (2026). https://doi.org/10.1038/s41598-026-37270-y

Anahtar kelimeler: hibrit fotovoltaik sistemler, şebeke gerilimi tahmini, güç şebekeleri için makine öğrenimi, gradient boosting, yenilenebilir şebeke kararlılığı