Büyük Ölçekli Güç Nesnelerin İnterneti için Kenar Bilişim ve Federated Learning Tabanlı Uyarlanabilir Yönlendirme Protokolü

Günlük Hayat İçin Daha Akıllı Elektrik Şebekeleri

Modern elektrik şebekeleri, akıllı sayaçlar, sensörler, elektrikli araçlar ve çatı üzeri güneş panelleriyle dolu devasa dijital sistemlere dönüşüyor. Bu aygıtların sorunsuz iletişim kurmasını sağlamak ve mümkün olan en az enerjiyi kullanmak büyük bir zorluk. Bu makale, bu cihazların veriyi şebeke içinde nasıl ileteceklerine karar vermeleri için yeni bir yaklaşım sunuyor; amaç verinin daha hızlı taşınması, daha az enerji tüketilmesi ve hassas bilgilerin gizliliğinin korunmasıdır.

Çok Farklı Aygıtların Yarattığı Zorluk

Günümüz enerji ağları milyonlarca farklı aygıt içeriyor: ev akıllı sayaçları, enerji hatları boyunca sıcaklık ve voltaj sensörleri, trafo merkezlerindeki kontrolörler ve milisaniyeler içinde tepki vermesi gereken koruma röleleri. Her biri farklı iletişim teknolojileri kullanıyor ve kendi zamanlama ile güç gereksinimlerine sahip. Bazıları şebekeye bağlı olup bolca enerji kullanabilirken, diğerleri küçük pillerle çalışıyor ve aylarca hatta yıllarca dayanmak zorunda. Sadece en kısa yolu arayan geleneksel yönlendirme yöntemleri bu farklılıkları göz ardı ediyor. Sonuç olarak enerji israfı, gecikmeler ve ağ birkaç bin cihazı aştığında bozulmalar meydana geliyor.

Kenar Noktada Yerel Düşünme

Bu karmaşıklıkla başa çıkmak için yazarlar zekâyı şebeke genelinde dağıtan katmanlı bir sistem tasarlıyor. En altta birçok saha aygıtı bulunuyor; bunların üstünde kenar düğümleri (edge nodes), daha üstte bölgesel “sis” (fog) düğümleri ve en üstte bulut yer alıyor. Kenar düğümleri verinin oluşturulduğu yere yakın konumda durur ve uzak bir merkezi sunucuyu beklemeden yakındaki mesajların nasıl yol alacağına hızlıca karar verebilir. Hangi aygıtların bulunduğunu keşfeder, her birinin ne kadar meşgul veya enerji tüketir durumda olduğunu öğrenir ve hız, güvenilirlik ile pil ömrü arasında dengeleyen yollar seçer. Bu yerel karar alma, şebekedeki değişikliklere tepki süresini keskin biçimde azaltır.

Ham Veriyi Paylaşmadan Birlikte Öğrenme

Bu çalışmanın kilit fikri, birçok kenar düğümünün ham verilerini merkezi bir yere göndermeden ortak bir tahmin modelini eğitmelerine olanak veren federated learning yöntemini kullanmaktır. Her düğüm yerel trafiği, bağlantı kalitesini ve aygıt enerji düzeylerini gözlemler; ardından ağın bir sonraki anda nasıl davranacağını tahmin eden kendi makine öğrenimi modelinin bir kopyasını eğitir. Zaman zaman düğümler yalnızca model parametrelerini—temel ölçümleri değil—üst düzey düğümlere gönderir, bu düğümler bunları ortalayıp geliştirilmiş modeli geri gönderir. Ek gizlilik teknikleri bu güncellemelere gürültü katarak tek bir aygıta dair bilgilerin yeniden oluşturulmasını engeller ve işletmelere katı veri koruma kurallarına uyma imkânı sağlar.

Gerçek Zamanlı Uyarlanan Yönlendirme

Bu tahminlerle donanmış yönlendirme sistemi sorun ortaya çıkmadan önce hareket edebilir. Model bir bağlantının yakında aşırı yükleneceğini öngörürse protokol trafiği alternatif yollara kaydırır. Bir aygıtın pili zayıflıyorsa daha hafif görevler verilir veya diğer düğümler devralırken daha derin bir uyku moduna alınır. Yönlendirme tercihleri aynı anda birkaç hedef tarafından yönlendirilir: zaman açısından kritik mesajlar için gecikmeleri düşük tutmak, gerektiğinde pil ömrünü korumak ve güvenilmez bağlantılardan kaçınmak. Sahne arkasında, ağın performansına göre bu hedeflerin önemini ayarlayan sofistike bir öğrenme algoritması sürekli olarak ince ayar yapar ve sistemin kademeli olarak iyileşmesini sağlar.

Hız ve Enerji Tasarrufunda Kanıtlanmış Artışlar

Araştırmacılar yaklaşımı, 10.000 cihaza kadar şebeke simülasyonları, gerçekçi kablosuz kanal modelleri ve sıkı zamanlama gereksinimleri kullanarak ayrıntılı bilgisayar simülasyonlarıyla test ediyor. Tanınmış yönlendirme yöntemleri ve güçlü bir merkezi makine öğrenimi çözümüyle karşılaştırıldığında, onların uyarlanabilir federated tasarımı %35–50 daha fazla veri verimi, uçtan uca gecikmeleri %40–60 oranında azaltma ve toplam enerji kullanımını %45–65 oranında düşürme sağlıyor. Pil ile çalışan sensörler iki ila neredeyse dört kat daha uzun süre dayanıyor ve aygıtlar arızalansa veya iletişim bağlantıları kesintiye uğrasa bile sistem kararlı kalıyor. Önemli olarak, bu faydalar ağ büyüdükçe de sürüyor; oysa geleneksel yöntemler yaklaşık 1.000 cihazı aştığında hızla kötüleşiyor.

Geleceğin Enerji Sistemleri İçin Ne Anlama Geliyor

Günlük terimlerle, bu çalışma akıllı cihazlarla dolu bir elektrik şebekesinin gizlilikten ödün vermeden hızlı, güvenilir ve verimli kalabileceğini gösteriyor. Yerel kenar bilgisayarlarının deneyimden öğrenmesine ve yalnızca öğrendiklerini—ham veriyi değil—paylaşmalarına izin vererek şehir veya ülke çapında dağıtımlara ölçeklenebilen bir iletişim sistemi yaratıyorlar. Bu, çatı güneşi, elektrikli araçlar ve diğer yeni teknolojilerin entegrasyonunu kolaylaştırırken enerji israfını azaltmayı ve saha ekipmanının ömrünü uzatmayı mümkün kılar.

Atıf: Zhang, Y., Zhang, S., Li, S. et al. Adaptive routing protocol for large-scale power internet of things based on edge computing and federated learning. Sci Rep 16, 12246 (2026). https://doi.org/10.1038/s41598-026-41074-5

Anahtar kelimeler: akıllı şebeke, nesnelerin interneti, kenar bilişim, federated learning, enerji verimli yönlendirme