Enerji piyasalarında kısa vadeli yük ve fiyat tahmini için takviye öğrenmesine dayalı yeni bir yaklaşım

Yarınki elektriği tahmin etmenin önemi

Her ışık anahtarını çevirdiğinizde, elektrik sağlayıp uygun maliyette tutmak için arka planda büyük bir santral, piyasa ve bilgisayar ağı çalışır. Şebeke operatörleri insanların önümüzdeki birkaç saatte ne kadar elektrik kullanacağını ve fiyatların nasıl hareket edeceğini doğru tahmin edebilirse; kesintilerin, israfın önüne geçebilir ve herkes için maliyeti düşürebilir. Bu makale, oyun oynamayı ve robot kontrolünü öğrenmek için geliştirilmiş tekniklerden yola çıkarak kısa vadeli tahminleri iyileştirmenin yeni bir yolunu inceliyor.

Değişen enerji dünyası için daha akıllı tahminler

Elektrik talebi ve fiyatlar saat saat sert dalgalanmalar gösterebilir. Sıcak hava dalgaları, soğuk hava kırılmaları, tatiller ve yakıt maliyetleri sistemi farklı yönlere iter. Basit eğilim çizgileri veya standart makine öğrenmesi modelleri gibi geleneksel tahmin araçları genellikle problemi geçmiş verilere tek taraflı uyum olarak ele alır. Koşullar hızla değiştiğinde veya çok sayıda etken karmaşık şekilde etkileştiğinde zorlanırlar. Yazarlar, özellikle yenilenebilir enerjinin payı artan modern şebekelerin, anında uyum sağlayabilen ve başarılarından ile hatalarından doğrudan öğrenen tahmin araçlarına ihtiyaç duyduğunu savunuyor.

Elektrik piyasasında bir öğrenen ajan

Araştırmacılar tahmini bir karar verme oyununa dönüştürdü. Her saatte bir bilgisayar “ajan” mevcut durumu görür: son talep, geçmiş fiyatlar, sıcaklık, nem, haftanın günü, tatiller ve yakıt maliyetleri. Ardından bir eylem seçer: bir sonraki saatin en iyi tahmini olan talep ve fiyat. Gerçek değerler geldiğinde, ajana ne kadar sapma olduğu temelinde bir puan verilir—büyük hatalar cezalandırılır, küçük hatalar ödüllendirilir. Zaman içinde sistem yalnızca tek bir adımın doğruluğunu değil, uzun vadeli puanını maksimize eden bir strateji arar. Çok sayıda girdiyle başa çıkmak için yazarlar, her durumda her olası eylemin ne kadar iyi olduğunu tahmin eden bir tür sinir ağı olan Derin Q-Ağı (Deep Q-Network) üzerine kurulu derin takviye öğrenme düzeni kullanır.

Ham veriden güvenilir tahminlere

Yaklaşımı test etmek için ekip, Orta Batı ve Doğu Kıyısı’nın bazı bölgelerini kapsayan büyük bir ABD enerji piyasası olan PJM Interconnection’dan gerçek dünya verilerine başvurdu. Yaklaşık üç yıllık saatlik kayıtlar (2021–2023) kullandılar; piyasa fiyatları, elektrik talebi, hava gözlemleri ve yakıt fiyat endeksleri bunlara dahildi. Eğitime başlamadan önce verileri temizlediler, nadir eksik değerleri doldurdular, sıra dışı aykırı değerleri çıkardılar ve her şeyi karşılaştırılabilir aralıklara ölçeklendirdiler. Ayrıca faydalı varyasyonun çoğunu koruyarak geniş giriş özellikleri setini sıkıştırmak için istatistiksel teknikler kullandılar. Öğrenen ajan daha sonra bu geçmiş üzerinde tekrar eden geçişlerle eğitildi; rastgele deneme-yanılmadan keşfettiği örüntüleri kullanmaya doğru kademeli olarak kaydı.

Öğrenen ajanın performansı nasıldı

ARIMA (geleneksel bir zaman serisi modeli), LSTM sinir ağları ve popüler XGBoost algoritması dahil yaygın kullanılan tahmin yöntemleriyle karşılaştırıldığında, takviye öğrenme sistemi öne çıktı. Modelin hiç görmediği ayrılmış test verilerinde, talep ve fiyatlardaki ortalama yüzde hataları bu temsili yöntemlere göre yaklaşık %15–20 oranında azalttı. Tahminler hem kış hem yaz günlük döngülerini yakından izledi ve genel fiyat dalgalanmalarını takip etti, ancak model en keskin, nadir fiyat sıçramaları ve alışılmadık tatil davranışlarıyla hâlâ zorlandı. Öğrenilen stratejinin analizleri, ajanın dolaylı olarak ekonomik açıdan mantıklı bir örüntü keşfettiğini gösterdi: çok yüksek fiyatlar gözlemledikten sonra genellikle bir sonraki saatte biraz daha düşük talep bekleme eğilimi gösterdi; bu, açıkça talep tepkisi hakkında bilgilendirilmemiş olmasına rağmen gerçek dünyadaki talep tepkisini taklit ediyordu.

Günlük enerji kullanımı için çıkarımlar

Uzman olmayanlar için ana mesaj, bu öğrenmeye dayalı yaklaşımın şebeke operatörlerinin enerji sistemlerini daha sorunsuz ve daha ucuz çalıştırmasına yardımcı olabileceğidir. Daha doğru kısa vadeli tahminler, üreticilerin ve piyasa operatörlerinin santralleri daha verimli planlamasına, yenilenebilir kaynakları daha az sürprizle entegre etmeye ve ani fiyat sıçramaları veya kıtlık riskini azaltmaya olanak tanır. Yöntem veri iştahlı ve hesaplama yoğun olmakla birlikte, aşırı olaylar için hâlâ iyileştirmeye ihtiyaç duymakta; buna rağmen tüketicilerin, hava koşullarının ve yakıt maliyetlerinin sürekli değişen davranışlarından sürekli öğrenen uyarlanabilir, kendini geliştiren araçlarla yönlendirilen bir elektrik piyasası geleceğine işaret ediyor.

Atıf: Wu, Y., Ma, Y. & Aliev, H. A novel reinforcement learning-based approach for short-term load and price forecasting in energy markets. Sci Rep 16, 5141 (2026). https://doi.org/10.1038/s41598-026-37366-5

Anahtar kelimeler: akıllı şebeke tahmini, elektrik fiyatı tahmini, takviye öğrenmesi, enerji talebi tahmini, derin Q-ağı