Zaman serisi özellik mühendisliği ve toplu makine öğrenimiyle rüzgar ve güneş enerjisi tahminlerinin iyileştirilmesi

Daha iyi temiz enerji tahminleri neden önemli

Rüzgar türbinleri ve güneş panelleri elektriğimizin daha büyük bir kısmını sağladıkça, bunların doğal dalgalanmaları ışıkları açık tutmayı zorlaştırıyor. Şebeke operatörlerinin sadece şu an ne kadar enerji üretildiğini değil, birkaç saat içinde bu üretimin nasıl değişeceğini de bilmesi gerekiyor. Bu çalışma, gelişmiş veri analizi ve makine öğreniminin yıllarca süren rüzgar ve güneş kayıtlarını, arz ve talebi dengelemeye, israfı azaltmaya ve daha güvenilir düşük karbonlu bir şebekeyi desteklemeye yardımcı olan daha keskin kısa vadeli tahminlere nasıl dönüştürebileceğini inceliyor.

Ham güç okumalarından daha akıllı sinyallere

Araştırmacılar Fransa genelinden yaklaşık altı yıllık saatlik rüzgar ve güneş gücü verisiyle çalıştı; bu veriler elli binden fazla zaman noktasını kapsıyordu. Bu ham sayıları doğrudan bir modele vermek yerine, onları daha zengin sinyallere dönüştürdüler. Çıktının bir saat, bir gün veya daha eski zamanlardaki değerleri hakkında bilgi eklediler, kısa vadeli ortalamalar ve değişkenlik hesapladılar ve günün saati, haftanın günü ve mevsim gibi takvimsel desenleri günlük ve yıllık döngüleri yansıtan dairesel fonksiyonlarla kodladılar. Ayrıca modellerin gerçekçi tahmin görevleri üzerinde değerlendirilmesini sağlamak için gereksiz bilgileri ve geleceğe dair sızıntıları dikkatle kontrol ettiler; böylece modeller yanlışlıkla cevapları önceden görmemiş oldu.

Makinelere havanın ritmini öğretmek

Bu mühendislik yapılmış zaman serisiyle ekip, geniş bir yelpazede tahmin yöntemlerini test etti. Nispeten basit doğrusal desenleri varsayan ARIMA gibi klasik istatistiksel modeller, gradyan artırımlı karar ağaçları ve derin sinir ağları gibi daha esnek makine öğrenimi sistemleriyle karşılaştırıldı. İki ağaç tabanlı topluluk yöntemi, CatBoost ve LightGBM öne çıktı. Bu yöntemler verinin farklı yönlerini yakalayan birçok küçük karar ağacı oluşturup bunları güçlü bir tahmin edici haline getirir. Her yeni tahminin yalnızca geçmiş verilerden üretildiği sıkı bir ileri yuvarlanan değerlendirme (forward rolling) şeması kullanarak, yazarlar performans rakamlarının gerçek şebeke operasyonlarında beklenenle benzer olmasını sağladılar.

Ne kadar öteyi gerçekten görebiliyoruz

Çalışma rüzgar ve güneş enerjisi için ayrı ayrı, bir saatten tam bir güne kadar olan tahminleri inceledi. Rüzgar için en iyi modeller bir saatlik ufukta varyasyonun çoğunu yakaladı; öngörü süresi arttıkça performans kademeli olarak düştü. Yaklaşık altı saate kadar tahminler hâlâ yararlı bilgi taşıyordu, ancak on iki ila yirmi dört saat arasında değişen hava koşullarının etkisi artınca öngörüler çok daha belirsiz hale geldi. Güneş enerjisi daha uzun vadelerde tahmin edilmesi özellikle zordu; çünkü bulut örtüsü ve diğer hızlı değişen etmenler geçmiş güç çıktısında görünmeyen biçimlerde hızla değişebiliyor. Modeller, özellikle açık havalarda, gelecek bir saat için makul bir iş çıkardı; ancak birkaç saati aştıkça yetenekleri keskin şekilde düştü.

Modellerin gerçekte neye dikkat ettiği

Girdi özellik gruplarını sistematik olarak çıkararak, yazarlar hangi bilgi parçalarının en önemli olduğunu inceledi. Gecikmeli değerler olan yakın zamandaki güç seviyeleri en baskın bileşendi; bu, hemen önce olanın genellikle sonraki olay için en iyi ipucu olduğunu doğruladı. Hareketli ortalamalar ve kısa vadeli değişkenlik ölçümleri de önemli rol oynadı; özellikle sistem sakinle rüzgarlıya veya bulutlu ile güneşli arasında geçiş yaparken. Günün saati gibi dairesel olarak kodlanmış takvimsel ve döngüsel özellikler ise daha uzun ufuklarda daha önemli hale geldi; burada günlük ve mevsimsel geniş desenler dakika dakika dalgalanmalardan daha çok önem taşıyor. Tekrarlayan sinir ağlarına dayalı derin öğrenme modelleri üretimdeki karmaşık dalgalanmaları izleyebilse de, en iyi ayarlanmış ağaç toplulukları doğruluk açısından onlara eşit veya üstün performans gösterdi ve daha düşük hesaplama maliyeti sundu.

Bu, geleceğin şebekesi için ne anlama geliyor

Genel okuyucu için temel mesaj, zaman damgalı verilerin dikkatli hazırlanmasının ve özenli model testinin rüzgar ve güneş santrallerinin çıktısını ne kadar iyi öngörebileceğimizi gerçekten etkileyebileceğidir. Karmaşık ama pratik makine öğrenimi yöntemleri, günlük dengeleme için en önemli zaman aralığı olan önümüzdeki birkaç saat için güvenilir tahminler sağlayabilir. Aynı zamanda çalışma, sadece geçmiş üretime dayanıldığında tam bir gün sonrasını tahmin etmenin zor olduğunu, özellikle güneş enerjisi için bunun daha da geçerli olduğunu gösteriyor. Tahminleri daha da ilerletmek için gelecek araçlar bu veri odaklı teknikleri ayrıntılı hava durumu bilgileri ve türbinler ile paneller hakkında fiziksel bilgilerle harmanlamak zorunda olacak; böylece temiz enerji yük payını artırırken şebekelerin dengede kalmasına yardım edilecek.

Atıf: Elmunim, N.A., Khlifi, M.A., Aldawsari, M.A. et al. Enhancing wind and solar energy forecasting through time-series feature engineering and ensemble machine learning. Sci Rep 16, 15546 (2026). https://doi.org/10.1038/s41598-026-49373-7

Anahtar kelimeler: yenilenebilir enerji tahmini, rüzgar enerjisi tahmini, güneş enerjisi tahmini, makine öğrenimi, zaman serisi özellikleri