Ahvaz, İran’daki dağıtım trafo merkezlerinde kısa vadeli enerji talebi tahmini için hibrit optimal özellik seçimi ve Conv-LSTM modeli (OFSCL)

Sıcak Bir Kentte Elektriği Ayakta Tutmak

Sıcak hava dalgası vurduğunda, bir kentte klimalar topluca devreye girer ve şebekeye binen yük dakikalar içinde hızla artabilir. Şebeke işletmecileri gerekli elektriği yanlış tahmin ederse, mahalleler kararma riskiyle karşılaşabilir veya gereksiz aşırı arz oluşabilir. Bu makale, güneybatı İran’ın sıcak ve nemli kenti Ahvaz’daki gerçek bir trafo merkezine odaklanıyor ve önemli bir soruyu soruyor: geçmiş talep ve hava verilerini her zamankinden daha akıllıca kullanarak, o trafo merkezinin saat saat ne kadar güç sağlaması gerektiğini öngörebilir miyiz?

Kısa Vadeli Güç Tahminlerinin Önemi

Elektrik büyük ölçekte kolayca depolanamadığı için arz talebi yakından takip etmelidir. Yüksek gerilimi ev ve iş yerlerine düşüren dağıtım trafo merkezlerinde bu denge özellikle hassastır. Talep günün saatine, haftanın gününe, mevsime ve özellikle sıcaklık ile neme göre değişir. Temel istatistiksel araçlar gibi geleneksel tahmin yöntemleri genellikle düzgün eğilimler ve basit örüntüler varsayar. Oysa gerçek dünyada, Ahvaz gibi sıcak bir kentte elektrik kullanımı gürültülü, doğrusal olmayan ve klima kullanımındaki ani sıçramalarla şekillenir. Kötü tahminler trafoların aşırı yüklenmesine, ekipman ömrünün kısalmasına ve işletmecilerin şebekeyi temkinli ve daha az verimli çalıştırmasına yol açabilir.

Basit Formüllerden Öğrenen Makinelere

Son on yılda araştırmacılar karar ağaçları ve yapay sinir ağları gibi klasik makine öğrenmesi modellerinden, LSTM (Uzun Kısa Süreli Bellek) ağları ve Konvolüsyonel Sinir Ağları (CNN) gibi zaman serisi verilerinde başarılı derin öğrenme sistemlerine kadar daha sofistike yöntemleri denediler. Bu yeni modeller, eski tekniklerin kaçırdığı daha uzun dönem ritimleri ve ince desenleri yakalayabiliyor. Yine de iki büyük zorlukla karşılaşıyorlar. Birincisi, saate, güne, tatillere, rüzgar hızına, çiğ noktası ve basınca kadar onlarca giriş değişkeniyle beslenebilirler; bunların birçoğu faydalı bilgi yerine gürültü ekleyebilir. İkincisi, hem anlık dalgalanmaları hem de daha yavaş mevsimsel değişimleri aynı anda kullanmakta zorlanabilirler. Sonuç olarak, gerçek ve karmaşık verideki doğruluk genellikle şebeke işletmecilerinin ihtiyaç duyduğunun altında kalır.

Gerçekten Önemli Olanı Öğrenen Hibrit Bir Model

Yazarlar, Optimal Özellik Seçimi Conv-LSTM (OFSCL) adını verdikleri yeni bir hibrit derin öğrenme mimarisi öneriyor. Bu model iki gücü birleştiriyor: çok sayıda giriş değişkenini elekten geçiren ve en bilgilendirici desenlere otomatik olarak odaklanan konvolüsyonel katmanlar ile bu desenlerin zaman içinde nasıl evrildiğini izleyen LSTM katmanları. OFSCL’de konvolüsyonel bölüm iletilen bilgi miktarını kademeli olarak azaltarak gereksizliği filtreden geçirir ve ana sinyalleri korur. Ardından LSTM bölümü, bu rafine edilmiş sinyallerin saatten saate ve günden güne nasıl değiştiğini öğrenir. Son olarak tam bağlantılı (dense) katmanlar bu kompakt temsili tek bir tahmine —trafo merkezinin bir sonraki zaman adımında ne kadar enerjiye ihtiyacı olacağına— dönüştürür.

Modelin Gerçek Bir Trafo Merkezi Üzerinde Test Edilmesi

OFSCL’in pratikte işe yarayıp yaramadığını görmek için ekip, Ahvaz’daki bir dağıtım trafo merkezinden bir yıllık saatlik veri ile aşırı yaz sıcaklıklarını ve daha serin mevsimleri kapsayan ayrıntılı yerel hava kayıtlarını topladı. OFSCL’yi karar ağaçları, k-en yakın komşu, çok katmanlı algılayıcılar, saf LSTM ve CNN modelleri ile CNN-LSTM ve dikkatli LSTM gibi birkaç gelişmiş hibrit de dahil olmak üzere geniş bir yelpazedeki alternatiflerle karşılaştırdılar. Tüm modeller aynı eğitim ve test setlerini kullandı ve performansları tahminlerin gerçek enerji kullanımıyla ne kadar uyumlu olduğuna göre değerlendirildi. OFSCL modeli yaklaşık yüzde 90 R² ve en düşük hata skorlarına ulaştı; ayrıca birçok diğer derin öğrenme yaklaşımından daha kısa sürede eğitildi. Verinin farklı katmanlarında tekrarlanan testler, bu kazanımların şansa bağlı olmayıp tutarlı olduğunu doğruladı.

Modelin Hava Durumu ve Talep Hakkında Öğrendikleri

Doğruluğun ötesinde, yazarlar modelin en çok hangi girdilere dayandığını anlamak istediler. Gradyan tabanlı duyarlılık analizini kullanarak, her özellikteki küçük değişikliklerin tahmini ne kadar etkilediğini ölçtüler. Hava sıcaklığı en belirleyici faktör olarak ortaya çıktı; bunu yılın ayı ve bağıl nem izledi; bu da soğutma ihtiyacının ısı ve mevsim koşullarıyla nasıl arttığını yansıtıyor. Buna karşılık, bir günün hafta içi mi yoksa tatil mi olduğu bu özel trafo merkezi için çok daha küçük bir rol oynadı. Analiz ayrıca modelin daha fazla veri gördükçe küçük dalgalanmalara karşı daha az hassas hale geldiğini, gürültüye aşırı tepki vermek yerine sabit desenlere kilitlendiğini gösterdi.

Şebekeye Daha Akıllı Tahminler Getirmek

Gündelik anlatımla, çalışma dikkatle tasarlanmış bir öğrenme sisteminin yalnızca yoğun bir trafo merkezinin önümüzdeki birkaç saatte ne kadar elektriğe ihtiyaç duyacağını tahmin etmekle kalmayıp, yerel iklimin hangi yönlerinin en çok etkilediğini de açıklayabileceğini gösteriyor. Girdilerini otomatik olarak filtreleyip hem ani dalgalanmaları hem de daha uzun eğilimleri yakalayarak, OFSCL modeli pek çok mevcut yöntemi geride bırakıyor ve gerçek zamanlı kullanım için yeterince hızlı kalıyor. Daha fazla bölge ve trafo merkezinde genişletilip test edilirse, bu tür modeller işletmelere sınırda daha etkin çalışmada, enerjiyi güvenilir şekilde sağlamada, israfı azaltmada ve şehirleri daha sıcak, enerji talebi yüksek geleceklere daha iyi hazırlamada yardımcı olabilir.

Atıf: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Anahtar kelimeler: enerji talebi tahmini, derin öğrenme, elektrik şebekeleri, hava durumu ve elektrik kullanımı, zaman serisi tahmini