Çok Ölçekli Zaman Modellemesi ve Değişkene Göre Dikkat ile Yorumlanabilir Çok Kısa Vadeli Fotovoltaik Güç Tahmini

Güneş enerjisinin dakikalar içinde tahmin edilmesinin önemi

Daha fazla elektrik güneş panellerinden geldiğinde, şebeke işletmecilerinin üretilen enerji ile tüketilen enerji arasında sürekli denge kurması gerekir. Ani bulutlanmalar, mevsimsel değişimler ve değişen hava koşulları, güneş enerjisi üretimini dakikalar içinde yukarı veya aşağı sıçratabilir ve bu dengeyi tehdit edebilir. Bu makale, büyük bir güneş tarlası için sadece 15 dakika sonrası gücünü tahmin etmenin yeni bir yolunu tanıtıyor; hedefi, dört mevsim boyunca tahminleri doğru tutmak ve aynı zamanda modelin karar mekanizmasını insanların incelemesini kolaylaştırmaktır.

Güneş ve havadaki desenleri birçok zaman ölçeğinde görmek

Güneş enerjisi üretimi dakikalar, saatler ve aylar boyunca ortaya çıkan ritimler tarafından biçimlendirilir: gün boyunca güneşin doğuşu ve batışı, kısa süreli bulut örtüleri ve kademeli mevsimsel değişimler. Geleneksel tahmin araçları genellikle bu zaman ölçeklerinden yalnızca birine odaklanır veya bunları birbirine karıştırır; bu da koşullar hızla değiştiğinde büyük hatalara yol açabilir. Önerilen sistemin ilk bölümü olan Çok Ölçekli Kolmogorov–Arnold Ağı (MKAN), geçmiş verileri farklı uzunluklarda çakışan parçalara ayırarak bu sorunu ele alır. Her parça, o ölçekteki son desenlere karşı gücün nasıl tepki verdiğini öğrenen küçük, esnek bir matematiksel modülden geçer. Bu ölçeğe özgü görünümler daha sonra son davranışın zengin bir özetini oluşturmak üzere yeniden birleştirilir.

Hava değişkenlerinin birbirleriyle “konuşmasına” izin vermek

Güneş gücü tek bir ölçüme, örneğin ışınım yoğunluğuna bağlı değildir; doğrudan ve yayılmış ışık, sıcaklık, nem, basınç ve tesisin kendi yakın geçmiş çıktısı dahil olmak üzere birkaç faktörün karmaşık etkileşimlerinden ortaya çıkar. Çerçevenin ikinci bölümü olan iTransformer, her değişkeni bir konuşmadaki kendi “token”ı olarak ele alarak bu etkileşimleri yakalamak üzere tasarlanmıştır. iTransformer, zaman adım adım taramak yerine değişkenler arasında bakar ve bir tahmin için hangi değişkenlerin birbirini en güçlü şekilde etkilemesi gerektiğine karar vermek üzere bir dikkat mekanizması kullanır. Bu değişkene göre odaklanma, örneğin nemin ışığın etkisini ne zaman güçlü biçimde şekillendirdiğini veya hava kararsız olduğunda modelin yakın geçmiş güç çıktısına ne zaman ağırlık verdiğini ortaya koymayı kolaylaştırır.

İki fikri tek bir tahmin motorunda birleştirmek

Yazarlar MKAN ve iTransformer’ı ardışık şekilde birleştirerek MKAN-iTransformer modelini oluştururlar. Önce MKAN, hava ve güç verilerinin 15 dakikalık ham geçmişini çok ölçekli zamansal özelliklere dönüştürerek hızlı dalgalanmaları daha düzgün trendlerden ayırır. Ardından iTransformer bu özellikleri alır ve dikkat mekanizmasını kullanarak farklı değişkenlerden gelen bilgileri iç içe geçirir; böylece tesisin 15 dakika sonrası için nihai güç tahmini üretilir. Sistem, yalnızca gündüz saatleri (06:00–20:00) arasındaki okumalar kullanılarak Çin’deki 30 MW’lık bir güneş tarlasından iki yıllık veri üzerinde eğitilip test edilir. Veriler her mevsim için kronolojik olarak bölünerek gerçek dağıtımı taklit eder ve model, klasik tekrarlayan ağlardan daha yeni Transformer tabanlı tasarımlara ve kendi KAN destekli varyantlarına kadar geniş bir alternatif yelpazesiyle karşılaştırılır.

İlkbahar, yaz, sonbahar ve kışta nasıl performans gösterdiği

Neredeyse tüm mevsimler ve hata ölçütleri genelinde MKAN-iTransformer, rakip yöntemlerle ya aynı düzeyde ya da daha iyi sonuçlar verir. Hava hızla değiştiğinde ve güç eğrilerinin düzensiz rampalarla şekillendiği ilkbahar ve sonbaharda, en düşük kare hatalarını ve en küçük ortalama hataları sunar ve güç varyasyonunun %94’ten fazlasını açıklar. Düşük güneş açıları ve hızlı dalgalanmalar gibi zorlukların bulunduğu kışta, model bazı hata ölçütlerini standart bir Transformer’a kıyasla yarıdan fazla azaltır ve tekrarlayan ağlardan açıkça daha iyi performans gösterir. Yaz çoğu model için nispeten daha kolay bir dönemdir, ancak MKAN-iTransformer hâlâ en düşük kare hatalarını vererek büyük, nadir hataları daha iyi bastırdığını gösterir. Titiz yoklama (ablation) çalışmaları, yalnızca MKAN veya yalnızca iTransformer kullanmanın bu kazanımları tam olarak açıklayamadığını gösterir; çok ölçekli zamanlama ile değişkenler arası dikkat mekanizmasının birleşimi, mevsimler arasında en istikrarlı performansı sağlar.

Enerji işletmecileri için kara kutuyu açmak

Ham doğruluk seviyesinin ötesinde, yazarlar yorumlanabilirliği vurgular. MKAN tahminlerini basit öğrenilmiş fonksiyonların toplamlarından oluşturduğundan, bunlar çeşitli girdilere (örneğin düşük veya yüksek ışınım) modelin nasıl tepki verdiğini gösterecek şekilde görselleştirilebilir. Güç sinyalinin çok ölçekli ayrıştırması, günlük eğilimlerin, orta vadeli hava değişimlerinin ve hızlı bulut kaynaklı sıçramaların nasıl ayrıldığını ve işlendiğini gösterir. Aynı zamanda iTransformer’dan elde edilen dikkat haritaları, değişkenlerin öneminin mevsime göre nasıl kaydığını ortaya koyar: doğrudan güneş ışığı ilkbahar ve kışta baskın olurken, nem ve belirli ışınım ölçümleri yaz ve sonbaharda öne çıkar. Bu görsel araçlar mühendislerin modelin farklı atmosferik rejimler altında neden böyle davrandığını anlamalarına yardımcı olur; bu da tahminler yanlış gittiğinde güven ve teşhis sürecini destekler.

Bu, güneş tahmini geleceği için ne anlama geliyor

Günlük ifadeyle, çalışma hem “geniş” hem de “derin” görünen bir güneş tahmini inşa etmenin mümkün olduğunu gösterir: farklı hava sinyalleri genelinde geniş; çoklu zaman ölçekleri boyunca derin; ve aynı zamanda kısmen insanlar tarafından okunabilir. Şebeke işletmecileri için bu, yıl boyunca daha güvenilir 15 dakikalık tahminlere, arzda daha az ani sürprize ve depolama ile yedek santrallerin daha iyi kullanılmasına dönüşebilir. Araştırmacılar için MKAN-iTransformer, yorumlanabilir yapı taşlarını güçlü dikkat mekanizmalarıyla birleştirme için bir kılavuz sunar; bu da yalnızca doğru değil, aynı zamanda güneşin, bulutların ve atmosferin birlikte yenilenebilir elektriğin akışını nasıl şekillendirdiğini açıklayan tahmin araçlarına doğru bir yol gösterir.

Atıf: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

Anahtar kelimeler: güneş enerjisi tahmini, fotovoltaik şebekeler, zaman serisi modelleme, mevsimsel değişkenlik, yorumlanabilir yapay zeka