İkincil ayrıştırma stratejisi ve hibrit modele dayalı fotovoltaik güç tahmini

Daha akıllı güneş tahminlerinin önemi

Daha fazla konut, işletme ve kamu kuruluşu güneş enerjisine bağlandıkça elektrik şebekesi yeni bir sorunla karşılaşıyor: güneş ışığı hiç de sabit değil. Geçen bulutlar, mevsim değişimleri ve değişken hava koşulları güneş üretimini dakikadan dakikaya dalgalandırabiliyor. Şebeke işletmecileri ışıkları açık tutmak ve ekipmanı güvende tutmak zorunda olduğundan, güneş panellerinin önümüzdeki birkaç dakikada ne kadar üretim yapacağını çok doğru ve çok hızlı tahmin etmeliler. Bu çalışma, bu ultra-kısa vadeli tahminleri çok daha hassas hale getirmenin yeni bir yolunu sunuyor; böylece şebekeler daha sorunsuz çalışacak ve temiz enerjiden daha iyi yararlanılacak.

Güneş enerjisinin dalgalı seyri

Güneş enerji santralleri güneş ışığını hareketli parça, yakıt veya baca olmadan doğrudan elektriğe çevirir. Bu onları yıllar boyunca temiz ve güvenilir kılar—ancak her zaman bir andan diğerine tahmin edilebilir yapmaz. Üretimleri yerel hava koşullarına güçlü biçimde bağlıdır: bulutlar, pus, sıcaklık, nem ve rüzgâr gücü yukarı veya aşağı itebilir. Sürekli arz ve talebi dengelemek zorunda olan şebeke işletmecileri için bu oynaklık, yedek santrallerin, bataryaların ve rezervlerin planlanmasını daha karmaşık ve maliyetli hale getirir. Mevcut tahmin yöntemleri ya hava ve güneş panellerinin fiziksel modellerine dayanır ya da istatistiksel formüller ve makine öğrenimine yaslanır. Bu yaklaşımlar saatler veya günler düzeyinde makul şekilde işlerken, dakikalar düzeyinde kontrol için kritik olan hızlı, keskin değişimleri yakalamakta genellikle zorlanır.

Dağınık bir sinyali daha temiz parçalara ayırmak

Yazarlar bu sorunu, öğrenme başlamadan önce ham güneş gücü verisini yeniden şekillendirerek ele alıyor. Tek ve gürültülü bir güç eğrisini tek bir büyük modele vermek yerine, sinyali farklı davranış türlerini yakalayan birkaç daha basit yapıtaşına ayırıyorlar. CEEMDAN adı verilen gelişmiş bir teknik, orijinal güç serisini farklı ritimleri olan birden çok bileşene ayırıyor. Bu parçalar daha sonra iki aile altında gruplanıyor: hızlı, titreyen dalgalanmalar ve daha yavaş, daha düzgün eğilimler. En hareketli parçalar, bir kuş türünün avlanma davranışından esinlenen bir optimizasyon şemasıyla otomatik olarak ayarlanan iç ayarlarla ikinci bir rafinasyon turundan (VMD) geçiriliyor. Bu iki aşamalı “ayrıştırma” süreci, tahmin etmesi zor, karışık bir eğriyi her biriyle daha kolay başa çıkılabilen daha temiz alt-sinyallere dönüştürüyor.

İki özel öğrenme yolu

Güneş gücü sinyali hızlı ve yavaş bileşenlere ayrıldıktan sonra, model her grubu doğasına uygun farklı bir öğrenme aracına atıyor. Hızlı değişen ve zaman içinde sürüklenebilen yüksek frekanslı parçalar, yeni veriler geldikçe çevrimiçi olarak güncellenebilen hafif bir algoritmaya veriliyor. Bu tasarım, bir bulut hattının güneş tarlasından geçmesi gibi ani değişikliklere hızlı uyum sağlamasına yardımcı oluyor. Gün içindeki daha geniş yükseliş ve düşüşü tanımlayan düşük frekanslı parçalar ise kısa pencerelerdeki şekilleri tanıyan bir ağ ile belleği zengin bir rezervuarı birleştiren hibrit bir sisteme besleniyor. Bir bölüm kısa veri pencerelerindeki biçimleri tanımaya odaklanırken, diğeri bu biçimlerin zaman içinde nasıl evrildiğini izliyor. Son olarak, her iki dalın tahminleri tekrar toplanarak bir sonraki zaman adımı için tek bir tahmin oluşturuluyor.

Farklı gökyüzleri üzerinde test

Bu şemanın gerçek dünyada işe yarayıp yaramadığını görmek için araştırmacılar onu iki çok farklı güneş santralinin verilerine uyguladılar: biri Çin’in Ningxia bölgesinde, diğeri Avustralya çölünde. Bu sahalar farklı iklimler ve mevsimler yaşadığı için esneklik açısından zorlu bir test sunuyor. Yeni modelin tahminleri, tekrarlayan ağlar, zamansal konvolüsyonlar ve son Transformer tabanlı tasarımlar gibi popüler derin öğrenme yaklaşımlarını da içeren geniş bir modern rakip yelpazesiyle karşılaştırıldı. Keskin yükselişleri ve düşüşleri yakalamada özellikle, hibrit ayrıştırma artı öğrenme çerçevesi her doğruluk ölçüsünde öne çıktı. Bir kritik testte, güneş güç çıkışındaki değişimin yaklaşık %99,7’sini açıklarken, tipik hataları en güçlü temel modellerin çok altına düşürdü.

Şebeke için bunun anlamı

Basitçe söylemek gerekirse, çalışma güneş gücünü hızlı gürültü ve daha yavaş eğilimlerin karışımı olarak ele almanın—ve her parçaya özel bir tahmin motoru vermenin—tek tip modellere göre dakikalık ölçekli tahminlerde çok daha güvenilir sonuçlar verebileceğini gösteriyor. Şebeke işletmecileri için daha iyi tahminler daha az sürpriz, daha az boşa harcanan yedek enerji ve güneşe daha fazla güvenme konusunda daha fazla güven demek. Zamanla, bu tür daha akıllı tahminler işletme maliyetlerini azaltabilir, temiz enerjinin kesilmesini düşürebilir ve istikrarı tehlikeye atmadan şebekelerin daha yüksek düzeyde yenilenebilir enerjiyi emmesine yardımcı olabilir.

Atıf: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Anahtar kelimeler: güneş enerjisi tahmini, fotovoltaik enerji, akıllı şebeke, yenilenebilir enerji entegrasyonu, zaman serisi modelleme