Karma derin öğrenme çerçevesinde özellik füzyonuyla kısa vadeli rüzgâr enerjisi tahminini geliştirmeye yönelik araştırma

Rüzgâr Tahmininin Neden Önemli Olduğu

Rüzgâr türbinlerinden elde edilen elektrik temizdir, ancak rüzgârın kendisi değişkendir. Bir rüzgâr çiftliğinin üretimi aniden yükselip düştüğünde, enerji şebekesi işletmecilerinin ışıkları açık tutmak ve ekipmanı korumak için hızlıca tepki vermesi gerekir. Bu çalışma, yalnızca birkaç saat öngörüyle bir rüzgâr çiftliğinin ne kadar güç üreteceğini tahmin etmenin yeni bir yolunu araştırıyor. Hava verilerinden ve geçmiş türbin performansından daha fazla bilgi çıkararak, yazarlar daha akıllı tahminlerin rüzgâr enerjisinin gelecekteki enerji sistemleri için daha güvenilir bir omurga olmasını sağlayabileceğini gösteriyor.

Değişken Gücü Dizginlemenin Zorluğu

Rüzgâr enerjisi dünya çapında hızla büyüdü ve şimdi birçok bölgede elektrik arzının önemli bir kısmını sağlıyor. Ancak kömür veya gaz santrallerinin aksine rüzgâr çiftlikleri istenildiği gibi açılıp kapatılamaz. Üretimleri değişen hava koşullarıyla dalgalanır; bazen sadece birkaç saat içinde isimli kapasitenin yarısına kadar sıçrayabilir. Bu hızlı dalgalanmalar, rampa olayları olarak adlandırılır ve mevcut birçok tahmin aracının bunları takip etmekte zorlanması nedeniyle özellikle sorunludur. Modeller ayrıca genellikle bir saha veya mevsimde iyi çalışırken koşullar değiştiğinde başarısız olur ve modern tahmin sistemlerinden artık elde edilebilen çok sayıda hava ölçümünden tam olarak yararlanamazlar.

Rüzgârı Okumanın Yeni Bir Yolu

Yazarlar, bu zayıflıkları özellikle ele almak üzere tasarlanmış karma bir derin öğrenme çerçevesi öneriyor. Tek tip bir sinir ağına dayanmaktansa, modelleri iki tamamlayıcı dalı birleştiriyor. Bir dal, geçmiş verinin uzun kesitlerini taramak için özel bir konvolüsyon biçimi kullanarak dakika ila saatler içinde ortaya çıkan desenleri verimli biçimde yakalıyor. Yerleşik bir ağırlıklandırma mekanizması, fırtınalı kış gökyüzünde ölçülen rüzgâr hızı gibi en bilgilendirici hava değişkenlerinin etkisini güçlendirirken, gürültülü veya daha az faydalı sinyalleri zayıflatıyor. İkinci dal ise rüzgâr gücü dizisinin zaman içindeki evrimine odaklanıyor; kademeli kaymalar ve ani rampaların nasıl geliştiğini daha iyi anlamak için eğitim sırasında hem ileriye hem geriye bakıyor.

Modelin Dikkat Vermesine İzin Vermek

Bu çift yapının üzerine, araştırmacılar modern dil ve görüntü modellerinde yaygın olarak kullanılan bir araç olan dikkat mekanizmasını ekliyor. Burada dikkat, ağın belirli bir tahmin için hangi geçmiş anların en önemli olduğuna karar vermesine yardımcı oluyor. Sadece en son okumalara takılmak yerine, yöntem odağını daha geniş bir pencereye nazikçe yayıyor, böylece bir rampanın erken uyarı işaretleri göz ardı edilmiyor. İki dalın çıktıları daha sonra tek, kompakt bir temsilde birleştirilip son bir tahmin katmanına besleniyor ve rüzgâr çiftliğinin kısa vadeli güç tahminini üretiyor.

Bir Yıl Gerçek Rüzgâr Verisi Üzerinde Test

Yaklaşımın pratikte ne kadar iyi çalıştığını görmek için ekip, her 15 dakikada bir ölçüm içeren tam bir yılı kapsayan verilerle Çin İç Moğolistan’daki büyük bir rüzgâr çiftliğine uyguladı. Verileri dikkatle temizlediler; sıfır rüzgâr ile güç olması gibi olanaksız değerleri veya hızla değişen sıcaklıkları kaldırdılar ve en önemli hava özelliklerini seçmek için yerleşik teknikleri kullandılar. Yeni model daha sonra popüler transformer mimarileri ve diğer karma derin öğrenme düzenleri dahil olmak üzere birkaç güçlü rakiple karşılaştırıldı ve kış, ilkbahar, yaz ve sonbahar koşullarını yansıtan dört temsilî ay boyunca değerlendirildi.

Mevsimler Boyunca Daha Keskin Tahminler

Tüm mevsimler boyunca, karma model basit versiyonlardan sürekli olarak daha küçük hatalar üretti ve daha gelişmiş alternatifleri ya geride bıraktı ya da onlarla eşit performans gösterdi. Tahminleri güçteki ani yükselişleri ve düşüşleri daha yakın takip etti ve büyük hataların sayısını azalttı. Sayısal olarak, model ortalama kare hatayı temel bir konvolüsyon kurulumunun beşte birinden daha aza düşürdü ve bu özel rüzgâr çiftliği için uyum (goodness-of-fit) skorları neredeyse mükemmelleşti. İstatistiksel testler, tahminin en zor ve en önemli olduğu en değişken aylarda, önde gelen bir transformer tabanlı yöntemle arasındaki avantajın tesadüfen ortaya çıkma olasılığının düşük olduğunu doğruladı.

Günlük Enerji Kullanımı İçin Anlamı

Uzman olmayanlar için çıkarım açık: derin öğrenmenin daha akıllıca kullanılması, şebeke işletmesi açısından önemli zaman ölçeklerinde rüzgâr enerjisinin daha öngörülebilir olmasını sağlayabilir. Farklı sinir ağı tiplerini harmanlayıp bunların değişen mevsimlere ve hava desenlerine uyum sağlamasına izin vererek, bu çerçeve incelenen sahada daha stabil ve doğru kısa vadeli tahminler sunuyor. Çalışma tek bir rüzgâr çiftliğine ve tam belirsizlik aralıkları yerine nokta tahminlere odaklansa da, bu yöntemler şebeke işletmecilerinin rüzgâra daha güvenle dayanmasına, yedekleme maliyetlerini azaltmasına ve daha temiz, dayanıklı bir enerji sistemini desteklemesine yardımcı olacak tahmin araçlarına işaret ediyor.

Atıf: Su, X., Gao, J., Han, K. et al. Research on enhancing short-term wind power forecasting through feature fusion in a hybrid deep learning framework. Sci Rep 16, 10043 (2026). https://doi.org/10.1038/s41598-026-40689-y

Anahtar kelimeler: rüzgâr enerjisi tahmini, yenilenebilir enerji, derin öğrenme, şebeke kararlılığı, zaman serisi tahmini