Kısa vadeli yük tahmini için derin rezidüel ağlar kullanılarak gradyana dayalı optimizasyon algoritmalarının karşılaştırmalı değerlendirmesi

Yarının elektrik kullanımı neden bugün önemlidir

Her ışığı açtığımızda veya bir cihazı prize taktığımızda, elektrik şirketlerinin o talebi karşılayacak şekilde zaten güç sağlamış olması gerekir. Önümüzdeki birkaç saat veya bir gün için talebi tahmin etmek, şebeke operatörlerinin ışıkları açık tutmasına, kesintileri önlemesine ve maliyet tasarrufu yapmasına yardımcı olur. Bu makale, modern yapay zeka araçlarının bu kısa vadeli talep tahminlerini nasıl daha doğru ve daha kararlı hâle getirebileceğini inceliyor ve sık göz ardı edilen eğitim yöntemi seçiminin model kadar önemli olabileceğini gösteriyor.

Değişen şebekeye ayak uydurmak

Elektrik talebi günün saatine, mevsime, tatillere ve havaya göre artar ve azalır. Geleneksel istatistiksel yöntemler, özellikle birçok farklı sinyal işin içindeyken, bu karmaşık desenlerle başa çıkmakta zorlanır. Birçok basit hesaplamayı katmanlar halinde yığan derin öğrenme modelleri, ince, doğrusal olmayan ilişkileri öğrenebildikleri için popüler hale geldi. Bunların arasında derin rezidüel ağ olarak adlandırılan bir tasarım, katmanlar arasında “kısayol” bağlantıları ekleyerek çok derin modellerin eğitilmesini kolaylaştırır ve elektrik yükleri gibi verilerdeki uzun dönemli bağımlılıkları yakalamada daha başarılı olur.

Havayı bilen iki tür model

Yazarlar, kısa vadeli yük tahmini için birbirine yakın iki derin rezidüel modele odaklanıyor. Birincisi, sonraki 24 saatin talebini tahmin etmek için geçmiş elektrik kullanımı, zaman bilgisi (saat ve haftanın günü gibi) ve sıcaklık bilgisini kullanıyor. İkinci model ise tropik bir şehirden yağmur ve rüzgâr dahil olmak üzere çok daha fazla hava değişkeni ekliyor, ama bunları çoğu varyasyonu korurken fazlalığı azaltan standart bir istatistiksel araçla küçük bir bileşik sinyal setine sıkıştırıyor. Bu, zengin hava bilgisinin ağı bilgilendirmesine izin verirken modeli hantallaştırmadan veya eğitimi zorlaştırmadan gerçekleştiriyor.

Eğitim tercihleri öğrenmeyi nasıl şekillendirir

Güç tahmini için bu derin rezidüel ağları kullanan çoğu çalışma sessizce popüler bir eğitim yöntemi olan Adam’ı seçip öyle bırakıyor. Burada eğitim yöntemi, modelin iç ayarlarını geçmiş verilerden öğrenirken küçük adımlarla iten matematiksel tarifi ifade ediyor. Bu makale, klasik yaklaşımlar ve birkaç modern adaptif varyant da dahil olmak üzere on üç farklı gradyana dayalı eğitim algoritmasını sistematik olarak karşılaştırarak bu alışkanlığa meydan okuyor; hepsi aynı model yapısı içinde test ediliyor. Yazarlar bunları Amerika Birleşik Devletleri’nin ılıman New England enerji sistemi ile tropikal Malezya’dan iki gerçek dünya veri seti üzerinde deniyor.

Farklı iklimlerde ne işe yaradı

Her iki bölge genelinde de öğrenme adımlarını son hata örüntülerine göre uyarlayan yöntemler genellikle daha eski, daha basit yaklaşımlardan üstün çıktı. Hava sinyali olarak esasen sıcaklığa dayanan orijinal modelde, AMSGrad adlı bir varyant hem New England hem de Malezya’da en düşük ortalama tahmin hatalarını ve en kararlı eğitim davranışını verdi. Ancak yazarlar modeli sıkıştırılmış çoklu hava değişkenleri versiyonuna geçirdiklerinde dengeler değişti. Bu yeni girdi düzeninde başka bir adaptif yöntem olan AdaBelief öne geçti ve Adam da güçlü performans gösterdi. Başka bir deyişle, hava bilgisinin modele nasıl paketlendiğini değiştirmek öğrenme peyzajını ince şekilde yeniden şekillendirdi ve farklı eğitim kurallarını tercih eder hâle getirdi.

Gelişmelerin şans eseri olmadığını kontrol etmek

Gözlemlenen iyileşmelerin yalnızca istatistiksel gürültü olmadığından emin olmak için yazarlar, tahmin görevini biraz değiştirilmiş veri örnekleri üzerinde tekrar tekrar oynatan bir yeniden örnekleme tekniği kullandılar. Bu, bir eğitim yönteminin gerçekten diğerinden üstün olma olasılığını tahmin etmelerini sağladı. Testler, AMSGrad’in New England verisinde Adam’i geride bırakması ve Malezya’da belirli optimize ediciler altında sıkıştırılmış hava yaklaşımının sağladığı faydalar gibi gözlemlenen birkaç gelişmenin yalnızca şansa bağlı olma olasılığının düşük olduğunu gösterdi.

Geleceğin şebekesi için bunun anlamı

Uzman olmayanlar için temel mesaj, daha iyi elektrik talebi tahminleri elde etmenin yalnızca yeni sinir ağları icat etmek veya onlara daha fazla hava verisi yüklemekle ilgili olmadığıdır. Bu ağların nasıl eğitildiği ve hava girdilerinin nasıl özütlendiği doğruluk ve kararlılığı önemli ölçüde değiştirebilir. Bazı adaptif eğitim kurallarının tutarlı şekilde performansı iyileştirdiğini ve en iyi seçimin girdi verilerinin temsil edilme biçimine bağlı olabileceğini göstererek, bu çalışma şebeke planlamacılarına ve yapay zeka uygulayıcılarına elektrik sistemlerini hem güvenli hem de ekonomik tutmaya yardımcı olacak daha güvenilir tahmin araçları oluşturmak için daha net bir reçete sunuyor.

Atıf: Liu, J., Ahmad, F.A., Samsudin, K. et al. A comparative evaluation of gradient-based optimization algorithms for short-term load forecasting using deep residual networks. Sci Rep 16, 14949 (2026). https://doi.org/10.1038/s41598-026-45829-y

Anahtar kelimeler: kısa vadeli yük tahmini, derin rezidüel ağlar, optimizasyon algoritmaları, enerji sistemi tahmini, meteorolojik özellikler