Geliştirilmiş bir balina göçü algoritmasına dayalı çok adımlı kısa vadeli fotovoltaik güç tahmin modeli

Güneş enerjisi tahmininin önemi

Daha fazla konut, işletme ve şehrin güneş enerjisine yönelmesiyle, güneş panellerinin önümüzdeki birkaç dakika veya saat içinde ne kadar enerji üreteceğini bilmek kritik hale geliyor. Tahmin yanlışsa, şebeke operatörlerinin ışıkları açık tutmak için aceleyle önlem alması gerekir, bu da para israfına ve bazen fosil yakıt kullanımına yol açar. Bu makale, mevcut birçok yöntemden hem daha doğru hem de daha kararlı kısa vadeli güneş enerjisi üretim tahminleri yapmanın daha akıllı bir yolunu sunuyor.

Güneş enerjisinin dalgalanmaları

Güneş panelleri hava koşullarına bağlıdır. Geçen bulutlar, pus, mevsimsel değişimler ve ani fırtınalar ürettikleri enerjinin karmaşık biçimde yükselip alçalmasına neden olur. Geleneksel tahmin araçları ya güneş panellerinin basitleştirilmiş fiziksel modellerine fazla dayanır ya da yalnızca geçmiş verilere dayanır. Fiziksel modeller gerçek dünyadaki incelikleri kaçırabilirken, saf istatistiksel araçlar veriler gürültülü veya düzensiz olduğunda zorlanır. Sonuç olarak, genellikle ışık değişimlerinin hızlı olduğu—operatörlerin en çok güvenilir tahminlere ihtiyaç duyduğu—anlarda kötü performans gösterirler.

Dağınık bir sinyali daha temiz parçalara ayırmak

Bu kaosu yatıştırmak için yazarlar önce ham güneş enerjisi verilerini tahmin etmeye çalışmadan önce düzenliyor. Orijinal, düzensiz güç eğrisini farklı zaman ölçeklerindeki desenleri yakalayan birkaç daha pürüzsüz bileşene ayıran varyasyonel mod ayrıştırma (variational mode decomposition) adlı bir teknik kullanıyorlar. Bu ayrım rastgele gürültüyü azaltır ve gizli düzenlilikleri daha kolay görünür kılar. Bir modeli tek bir karışık eğriden öğrenmeye zorlamak yerine, yöntem ona daha temiz ve daha kararlı yapı taşları seti besliyor.

Makinelerin desenleri öğrenmesine ve kendilerini ayarlamasına izin vermek

Sinyal ayrıştırıldıktan sonra çalışma iki parçalı bir öğrenme sistemine geçiyor. İlk parça, zaman serisi verilerindeki yerel desenleri ve eğilimleri tespit etmede üstün olan tek boyutlu bir konvolüsyonel sinir ağıdır. İkinci parça ise çıkarılan desenleri hızla sayısal tahminlere dönüştüren hafif bir öğrenme motoru olan çekirdek (kernel) ekstrem öğrenme makinesidir. Birlikte bu hibrit model güçlü desen tanımayı hızlı ve verimli tahminle birleştirir. Ancak performansı, genellikle elle ayarlaması zor olan birkaç önemli iç ayara (hiperparametrelere) büyük ölçüde bağlıdır.

Modeli optimize etmek için balina göçlerinden fikir almak

Bu kritik ayarları otomatik seçmek için yazarlar “geliştirilmiş balina göçü algoritması”nı tanıtıyor. Kambur balinaların gruplar halinde hareket etme ve okyanusu keşfetme biçiminden esinlenen bu algoritma, her aday hiperparametre setini daha iyi beslenme alanları arayan bir balina gibi ele alır. Kötü çözümlerde takılmayı önlemek için kontrollü rastgelelik ve sıçrama benzeri hamlelerle desteklenen geniş keşif ve ince ayar yerel aramanın bir karışımını kullanır. Birçok yineleme boyunca “balinalar”, tahmin hatalarını en aza indiren hiperparametre kombinasyonlarına doğru göç eder ve böylece tahmin modelinin kendi kendini nasıl ayarlayacağını öğrenmesini sağlarlar.

Yöntemin sınanması

Ekip, sinyal ayrıştırma, hibrit öğrenme modeli ve balina esinli optimize ediciyi birleştiren tam yaklaşımlarını Çin’deki biri 50 MW diğeri 35 MW iki güneş enerjisi santralinin gerçek verileri üzerinde—kış ve yaz dönemlerini kapsayacak şekilde—değerlendiriyor. Standart sinir ağları, destek vektör makineleri, tek adımlı tahminciler ve daha basit hibritler dahil dokuz alternatifle karşılaştırıyorlar. Yeni model sadece günlük eğrileri takip etmekle kalmıyor, aynı zamanda keskin sıçramaları ve düşüşleri çok daha yakından izliyor. Birkaç hata ölçüsünde, tutarlı şekilde daha küçük hatalar üretiyor ve gerçek çıktılarla daha sıkı bir uyum sergiliyor; iki saha için yaklaşık %97 ve %92 civarında uyum değerleri elde ediliyor.

Günlük enerji kullanımı için bunun anlamı

Uzman olmayanlar için ana çıkarım, yazarların güneş enerjisi için daha güvenilir bir “hava raporu” sunduğu. Verileri temizleyerek, hafif ama güçlü bir öğrenme düzeni kullanarak ve doğadan esinlenen bir arama rutinine sistemi ince ayar yaptırarak, güneş panellerinin kısa vadede ne kadar elektrik üreteceği tahminini önemli ölçüde iyileştiriyorlar. Daha iyi tahminler, yenilenebilir ve geleneksel kaynakları dengelemeyi, işletme maliyetlerini düşürmeyi ve daha temiz, daha dayanıklı bir enerji şebekesini desteklemeyi kolaylaştırır. Aynı strateji rüzgar enerjisinden endüstriyel yük tahminlerine ve hatta tıbbi sinyal analizine kadar diğer karmaşık tahmin problemlerine de uyarlanabilir.

Atıf: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Anahtar kelimeler: güneş enerjisi tahmini, fotovoltaik enerji, makine öğrenimi, optimizasyon algoritmaları, yenilenebilir enerji şebekesi