HPO-VMD-BiLSTM’e dayalı fotovoltaik güç için kısa vadeli tahmin yöntemine ilişkin araştırma

Neden daha iyi güneş tahminleri önemli

Daha fazla ev, işletme ve kent temiz elektrik için güneş panellerine yöneldikçe yeni bir zorluk ortaya çıkıyor: güneş sabit değil. Geçen bulutlar, mevsimsel değişimler ve ani fırtınalar güneş üretimini dakikadan dakikaya artırıp azaltır. Elektrik şebekesi işletmecileri arzı ve talebi gerçek zamanlı dengelemelidir; bu dalgalanmaları öngöremezlerse enerjiyi israf etme, ekipmanı aşırı yükleme veya yedek fosil yakıt santrallerine başvurma riskiyle karşılaşırlar. Bu makale, bir güneş tarlası için kısa vadeli güç çıktısını daha akıllıca tahmin etmenin bir yolunu sunuyor; amaç güneş enerjisini daha güvenilir ve günlük güç sistemlerine daha kolay entegre edilebilir hale getirmek.

Değişen havanın tüm resmini görmek

Güneş enerjisi yalnızca güneş ışığına değil, bulut örtüsü, nem ve sıcaklık gibi bir dizi hava koşuluna bağlıdır. Mevcut birçok tahmin aracı genellikle yalnızca toplam güneş ışığı gibi tek bir sinyali kullanır ve bu önemli ayrıntıları kaçırır. Yazarlar, Avustralya’nın Alice Springs kentindeki bir güneş tarlası için her günün zengin bir hava portresini oluşturarak başlar. Her gün için birkaç hava değişkeniyle ilgili olarak güneş ışığının ne sıklıkta doruğa çıktığı, ne kadar değiştiği ve örüntünün ne kadar çarpık olduğu gibi basit istatistikler hesaplanır. Ardından günler, güneşli, bulutlu veya yağmurlu gibi türlere ayrılır; bunun için geliştirilmiş bir kümeleme yöntemi kullanılır. Her hava özelliğini eşit önemliymiş gibi ele almak yerine, yöntem özelliklerin zaman içinde ne kadar rastgele veya düzenli olduğuna bağlı olarak her birinin ağırlığını ayarlar. Bu, daha gerçekçi hava gruplamaları sağlar ve tahmin modelinin gerçekten karşılaştırılabilir günlerde eğitilmesini güvence altına alır.

Gürültülü güneş sinyallerini yatıştırmak

Aynı hava türü içinde bile güneş gücü verileri düzensiz ve engebelidir. Küçük bulut parçacıkları veya rüzgar patlamaları keskin sıçramalar getirir ve bir tahmin algoritmasının kararlı örüntüleri öğrenmesini zorlaştırır. Bunun için çalışma, ham güç verisini birkaç daha basit parçaya bölen bir sinyal işleme adımı uygular. Her parça, hızlı dalgalanmalardan daha yavaş eğilimlere kadar farklı bir tür oynaklığı temsil eder. Bu ayırma işlemini gerçekleştiren algoritmadaki önemli yenilik, artık el ile ayarlanmış ayarlara dayanmayışıdır; bunun yerine avcı–av ilişkili davranıştan esinlenen bir arama süreci, sinyali bölmenin en iyi yolunu otomatik olarak seçer. Bilgisayarın bu iç ayarları gerçek verilere uyarlamasına izin vererek yazarlar tahmin aşaması için varsayımlarını azaltır ve daha temiz, daha kararlı bileşenler elde ederler.

Modelin geçmişten ve gelecekten öğrenmesine izin vermek

Veriler hava türlerine göre gruplanıp bileşenlere ayrıldıktan sonra tahmin motoru devreye girer. Yazarlar, özellikle zaman serileri için uygun olan ve zaman eksenini iki yönde okuyan bir tür sinir ağı kullanır. Basitçe söylemek gerekirse, bu model bugün için bir anlık güneş gücünün yalnızca hemen önce olanlara değil, aynı zamanda günün ilerleyen saatlerinde belirginleşen desenlere de nasıl bağlı olduğunu öğrenir. Güç sinyalinin her ayrıştırılmış bileşeni ile onun temel hava girdileri bu modele verilir. Yine, avcı–av arama yöntemi modelin iç ayarlarını —örneğin kaç nöron olduğu ve öğrenme hızının ne olduğu gibi— ayarlamak için kullanılır; böylece model karmaşık ilişkileri yakalayabilir, kötü bir çözüme takılıp kalmadan veya gürültüye fazla uyum sağlamadan çalışır. Tüm bileşenler için yapılan tahminler sonra toplam güneş çıktısı için nihai bir tahmine yeniden birleştirilir.

Yöntemin teste tabi tutulması

Ekip, yaklaşımını Alice Springs’teki 5,8 kilovatlık bir güneş array’inden alınan iki yıllık gerçek verilerle test etti; güç ve hava koşulları her beş dakikada bir örneklendi. Üç temsilî gün —güneşli, bulutlu ve yağmurlu— seçildi ve model benzer hava desenlerine sahip birkaç gün kullanılarak eğitildi. Yeni yöntem, geleneksel sinir ağları, daha basit zaman serisi modelleri ve ya yalnızca hava gruplaması ya da yalnızca sinyal ayırma kullanan diğer karma yaklaşımlar dahil olmak üzere çeşitli yaygın araçlarla karşılaştırıldı. Her yöntem için tahminlerin gerçek güneş gücü değerlerinden ne kadar saptığı ölçüldü. Üç hava türünün tamamında, yeni hibrit yöntem ortalama hataları standart modellere kıyasla yaklaşık üçte bir ila neredeyse yarı oranında azalttı ve ayrıca daha karmaşık alternatiflerin çoğundan daha hızlı eğitildi.

Günlük güç kullanımı için bunun anlamı

Açıkça ifade etmek gerekirse, çalışma daha akıllı hava gruplaması, dikkatli sinyal temizleme ve otomatik ayarlanan bir öğrenme modelinin birleştirilmesinin kısa vadeli güneş gücü tahminlerini hem daha doğru hem de daha sağlam hale getirebileceğini gösteriyor. Şebeke işletmecileri için daha iyi tahminler, diğer enerji santrallerini daha etkin açıp kapatmalarına, daha iyi plan yapmalarına ve israfı azaltmalarına olanak sağlar. Güneşe yatırım yapan topluluklar için bu tür tahminler teknolojiyi enerji sepetinin daha güvenilir bir parçası haline getirmeye yardımcı olur. Yazarlar, daha çeşitli hava tipleri ve daha düşük kaliteli verilerin gelecekte araştırılması gerektiğini not etse de elde ettikleri sonuçlar, güneş enerjisi bir vaat olmaktan çıkarak dünyanın elektrik arzının merkezi bir direği haline geldikçe ayak uydurabilecek tahmin araçlarına işaret ediyor.

Atıf: Li, J., Li, L., Du, Q. et al. Research on short-term prediction method of photovoltaic power based on HPO-VMD-BiLSTM. Sci Rep 16, 13541 (2026). https://doi.org/10.1038/s41598-026-44708-w

Anahtar kelimeler: güneş enerjisi tahmini, fotovoltaik şebeke entegrasyonu, hava temelli enerji tahmini, enerji için makine öğrenmesi, yenilenebilir enerji istikrarı