Güç talebi tahmininin geleceği: nöromorfik-axolotl hibrit zekâsı ile biyodan esinlenen eksik veri ustalığı sayesinde şebeke operasyonlarını dönüştürmek

Gürültülü Bir Dünyada Işıkları Açık Tutmak

Güç şebekelerimiz, hanelerin, fabrikaların, veri merkezlerinin ve elektrikli araçların önümüzdeki saat ve günlerde ne kadar elektrik tüketeceğine dair hassas tahminlere giderek daha fazla bağımlı hale geliyor. Ancak bu tahminlerin arkasındaki veriler kırık sensörler, kötü hava koşulları ve iletişim aksaklıkları nedeniyle boşluklar ve hatalarla dolu. Bu makale, mantık, semender biyolojisi ve primat davranışı fikirlerinin sıra dışı bir birleşimini sunuyor; birlikte hasarlı verileri onarmanın ve güç talebi tahminlerini önemli ölçüde keskinleştirmenin yeni bir yolunu yaratıyor.

Neden Eksik Sayılar Şebikeyi Tehdit Ediyor

Modern elektrik sistemleri çatı güneş panellerini, rüzgâr çiftliklerini, elektrikli araç şarjını ve enerji talep eden veri merkezlerini aynı anda yönetiyor. Arz ve talebi güvenli ve ekonomik şekilde dengelemek için şebeke operatörleri sıcaklıklar, güneşlenme düzeyleri ve farklı bölgelerdeki güç akışları gibi ölçüm akışlarına güveniyor. Gerçekte, bu sayılardan birçoğu hiç gelmiyor. Sensörler arızalanıyor, iletişim hatları kopuyor ve fırtınalar ağın bütün bölümlerini devre dışı bırakabiliyor. Tahmin modellerine bu bozuk zaman serileri olduğu gibi verilirse, hataları büyüyor ve operatörler ek yedek gücü hazır tutmak zorunda kalıyor; bu da maliyetleri ve emisyonları artırıyor.

Belirsiz Veriyi Düşünmenin Yeni Bir Yolu

Eksik değerleri doldurmaya yönelik mevcut yöntemlerin çoğu sayıları ya bilinen ya da bilinmeyen olarak ele alır ve boşlukları yakın değerleri bakarak tahmin etmeye çalışır. Yazarlar bunun yerine her veri noktası için üç parçalı bir tanım kullanıyor: doğru olma olasılığı, ne kadar belirsiz olduğu ve yanlış olma olasılığı. Neutrosofik kümeler olarak adlandırılan matematiksel bir fikirden alınan bu yaklaşım, gürültülü sensörleri, şüpheli aykırı değerleri ve gerçekten güvenilir okumaları yan yana temsil etmeye olanak tanır. Bu üç “derece” daha sonra kesinlik ve belirsizliğin zaman içinde güç tüketim eğrisi boyunca nasıl evrildiğini izleyen Markov tarzı bir modelde akar.

Sıradışı Bir Semenderden Onarım Hileleri Ödünç Almak

Eksik güç talebi parçalarını gerçekten yeniden inşa etmek için çerçeve, kayıp uzuvlarını yeniden büyütmesiyle ünlü axolotl semenderinden ilham alıyor. Modelde eksik veri parçaları hasarlı doku gibi davranır. Bir rejeneratif modül yerel desenleri, mevsimsel döngüleri ve sıcaklık ve günün saati gibi bağlamsal ipuçlarını inceler ve ardından boşluklara makul değerleri "büyütür". Kısa kesintiler için ince ayrıntı ve uzun arızalar için daha geniş eğilimler olmak üzere aynı anda çoklu zaman ölçeklerinde çalışır. Zaman içinde rejeneratif sistem, benzer durumlarda hangi onarım stratejilerinin en iyi sonucu verdiğini "hatırlar" ve daha fazla veri gördükçe kendi davranışını iyileştirir.

Sanal Maymunların Bilgiyi Düzenlemesine İzin Vermek

Eksik değerler onarıldıktan sonra bile, tahmin modelleri çok sayıda üst üste binen sinyal tarafından bunaltılabilir. Buna çözüm olarak yazarlar, kel uakari maymunlarının bölgecilik ve sosyal davranışlarını modelleyen yeni bir optimizasyon algoritması tanıtıyor. Şebeke bağlamında her "bölge" belirli hava değişkenleri veya bölgeler gibi aday özellik altkümesini temsil eder. Bu bölgeler genişler, daralır ve kaynaklar için rekabet ederken sosyal etkileşimler aday popülasyonunun birçok kombinasyonu keşfetmesine yardımcı olur. Bu süreç, birlikte en iyi tahminleri veren ama hesaplama gücünü boşa harcamayan kompakt bir özellik setine doğru istikrarlı şekilde daralır.

Karmaşık Matematikten Pratik Şebeke Kazanımlarına

Tam hibrit sistem yedi büyük gerçek dünya veri kümesi—hanelerden endüstriyel tesislere, mikro şebekelere ve elektrikli araç şarjına—uygulandığında, sürekli olarak geleneksel ve modern tekniklerin geniş bir yelpazesini geride bıraktı. Eksik verilerin onarımı ve özellik seçimi birlikte yaklaşık %31'lik bir tahmin doğruluğu artışı ve yeniden yapılandırma hatasında neredeyse %24'lük bir düşüş sağladı; hatta verilerin %40'ına kadar eksik olduğu durumlarda bile. Yaklaşım, çok az ek eğitimle yeni bölgelere ve şebeke türlerine iyi aktarıldı ve trafolar gibi uç cihazlarda çalışacak kadar hızlı çalıştı. Bir uzman olmayan için çıkarılacak sonuç, bozuk veriler için bu biyolojik esinli "şifacı"nın şebekelerin daha fazla yenilenebilir ve yeni elektrik yüklerini entegre ederken daha çok güvenirlikle kenara daha yakın çalışmasına yardımcı olabileceği; böylece israfı, maliyeti ve arıza riskini azaltacağıdır.

Atıf: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Anahtar kelimeler: güç talebi tahmini, eksik veri, akıllı şebeke, biyo-esinli algoritmalar, yenilenebilir entegrasyonu