Çok modlu derin öğrenmeyle enerji pazarlama müşteri davranışı tahmini için Mamba ECIS

Daha akıllı güç tahminleri neden önemli

Doğru fiyattan elektriğin sürekli sağlanması, enerji şirketlerinin bir sonraki saat, gün veya hafta içinde insanların ne kadar elektrik tüketeceğini sürekli olarak tahmin etmesini gerektirir. Hava koşulları daha aşırı hale geldikçe, fiyatlar dalgalandıkça ve evler akıllı sayaçlar ile bağlı cihazlarla doldukça bu tahminler zorlaşmaktadır. Bu makale, çok çeşitli verileri aynı anda okuyabilen, kısa vadeli dalgalanmaları uzun vadeli alışkanlıklardan ayırabilen ve müşterilerin elektrik kullanımını gerçekten hangi dış faktörlerin yönlendirdiğini açıklayabilen gelişmiş yapay zekâ tabanlı yeni bir tahmin sistemi olan Mamba‑ECIS'i tanıtır.

Basit tahminlerden zengin dijital portrelere

Geleneksel tahmin araçları daha basit bir dünya için tasarlanmıştı. Genellikle geçmiş elektrik kullanımı gibi tek bir bilgi türüne dayanır ve kalıpların zaman içinde nispeten sabit kalacağını varsayarlar. Veri hacimleri patladıkça ve müşteri davranışları daha karmaşık hale geldikçe bu yöntemler yetersiz kalmaya başladı. Güçlü olsalar da modern derin öğrenme yaklaşımları sıklıkla şeffaf olmayan “kara kutu” olarak çalışır ve hava durumu, fiyatlar, takvim etkileri ve diğer sinyalleri temiz şekilde bir araya getirmekte zorlanır. Yazarlar, yarının enerji sistemi için birçok veri kaynağını sindirebilen, hem hızlı dalgalanmaları hem de yavaş eğilimleri izleyebilen ve yine de insan tarafından okunabilir içgörü sunabilen modeller gerektiğini savunuyor.

Birçok sinyali tek bir hikâyede harmanlamak

Mamba‑ECIS bu zorluğu, farklı bilgi akışlarını önce tek, zaman sıralı bir enerji kullanım resmi halinde birleştirerek ele alır. Yüksek çözünürlüklü tüketim verilerini sıcaklık, nem ve elektrik fiyatları gibi dış etkenlerle ve tatil veya özel etkinlik göstergeleri gibi metin benzeri işaretlerle birleştirir. Öğrenmeden önce sistem, bu girdileri ortak bir ölçeği paylaşacak şekilde normalize eder ve dönüştürür. Bir yapay sinir ağı daha sonra her kaynaktan en bilgilendirici parçaları vurgulamayı öğrenir ve bir ağırlıklandırma adımı modelin örneğin sıcak yaz günlerinde hava durumunu ya da yüksek fiyatlı akşamlarda fiyatı ön plana çıkarmasına izin verir. Bu, enerjinin nasıl ve neden kullanıldığına dair daha zengin ve esnek bir betimleme üretir.

Bugünün sıçramalarını ve yarının eğilimlerini izlemek

Kısa süreli dalgalanmaları daha derin değişimlerle karıştırmamak için model çift kollu bir tasarım kullanır. Bir kol gerçek zamanlı işletmeler için önemli olan dakika‑dakika veya saat‑saat yüksek frekanslı dalgalanmalara bakar. Diğer kol ise günlük ortalamalar ve mevsimsel döngüler gibi daha yavaş, düzleştirilmiş kalıplara odaklanır. Her kolun, klasik dikkat‑tabanlı ağların ağır hesaplaması olmadan çok uzun geçmişleri işleyebilen verimli bir mimari olan Mamba durum‑uzay modellerine dayanan kendi sıra‑modelleme blokları vardır. Bir kaynaşım katmanı sonra iki görünümü harmanlar ve mevcut koşullara—örneğin bir sıcak hava dalgası ya da rutin bir hafta içi—bağlı olarak kısa vadeli ve uzun vadeli sinyallere ne kadar ağırlık verileceğini otomatik olarak ayarlar.

Nedensellik ve korelasyon arasındaki bağlantı

Doğru tahminler yapmanın ötesinde, yazarlar sistemin talepteki değişiklikleri gerçekten hangi faktörlerin yönlendirdiğini söylemesini istiyor. Bunun için nedensel dikkat modülü ekliyorlar. Bu modül, her dış faktörün her anda tüketime ne kadar güçlü bağlandığını ölçmek için bir dikkat‑stili mekanizma kullanır ve sonra bu ilişkileri her faktörün doğrudan katkısını tahmin eden bir nedensel çıkarım ağına geçirir. Ayrı bir ağırlıklandırma adımı modelin bu katkıları zaman içinde ayarlamasına izin verir. Bu tasarım tam bir resmi nedensel teori iddiasında bulunmaz, ancak basit desen eşleştirmesinin ötesine geçer: şebeke planlayıcıları örneğin bir kullanım artışının esas olarak sıcaklık sıçramalarından mı yoksa tatil programlarından mı kaynaklandığını görebilir ve buna göre pazarlama veya talep‑yanıt programlarını planlayabilirler.

Sistemi teste sokmak

Araştırmacılar Mamba‑ECIS'i iki yaygın kullanılan gerçek dünya veri kümesinde değerlendirdiler: Portekiz'den ayrıntılı hanehalkı tüketim kayıtları ve ABD'den yüksek çözünürlüklü konut ve ticari veriler. Her ikisi de milyonlarca okumayı ve zengin bağlamsal bilgiyi içerir. Bir dizi standart hata ölçüsünde yeni model, modern Transformer'lar, diğer Mamba‑tabanlı modeller ve uzmanlaşmış zaman serisi ağları dahil olmak üzere güçlü rakiplerin çoğunu geride bıraktı. Doğrulukta tipik olarak yüzde 3–12 arası kazanımlar mütevazi görünebilir, ancak ulusal ölçekli işletmeler için önemli tasarruflar ve güvenilirlik iyileşmeleri anlamına gelebilir. Belirli modüllerin çıkarıldığı ek testler, çok modlu füzyonun, çift kollu yapının ve nedensel dikkat kapısının her birinin performansa ayrı ve tamamlayıcı katkılar yaptığını gösterdi.

Günlük elektrik kullanıcıları için anlamı

Uzman olmayanlar için ana mesaj, daha akıllı ve daha şeffaf tahminlerin elektrik sistemlerini hem daha ucuz hem de daha güvenilir hale getirmeye yardımcı olabileceğidir. Birçok veri kaynağını bir araya getirerek, kısa vadeli gürültüyü kalıcı alışkanlıklardan ayırarak ve talebi gerçekten hangi dış güçlerin yönlendirdiğini ortaya koyarak Mamba‑ECIS enerji şirketlerine yakın geleceğe dair daha güvenilir bir rehber sunar. Bu da sırasıyla daha adil fiyatlandırma, daha hedeflenmiş tasarruf programları ve sıcak hava dalgaları veya soğuk dönemler sırasında daha az sürpriz—arkada enerji üretimi, pazarlaması ve kullanımını sessizce iyileştirerek—sağlayabilir.

Atıf: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Anahtar kelimeler: elektrik talep tahmini, akıllı şebeke analizleri, çok modlu derin öğrenme, enerji müşteri davranışı, nedensel makine öğrenimi