Proje Bağlamı
Yenilenebilir enerjiyle ilişkili elektrik talebini tahmin etmek zordur; çünkü enerji sistemleri uzun dönemli eğilim ve mevsimselliği, hava koşulları, talep ve değişen üretim örüntülerinden kaynaklanan kısa dönemli dalgalanmalarla bir arada barındırır. Bu tahminlerin önemi yalnızca tahmin doğruluğuyla da sınırlı değildir: belirsizliğin tamamen ortadan kaldırılamadığı sistemlerde planlama ve operasyonel kararları desteklerler.
Çalışmaların çoğu elektrik tüketimini veya yenilenebilir enerji üretimini ayrı ayrı inceler. Bu projede ise toplam elektrik üretimi içindeki yenilenebilir üretim payı ile toplam elektrik tüketiminden türetilen Yeşil Enerji Talebi (Green Energy Demand, GED) ölçüsünü ele aldım.
2000–2024 dönemini kapsayan günlük çözünürlüklü bir Birleşik Krallık GED veri kümesi oluşturarak şu verileri bir araya getirdim:
- Elektrik tüketimi ve yenilenebilir enerji üretimi
- Sıcaklık, rüzgâr, güneş radyasyonu ve gün ışığı süresi dâhil hava durumu değişkenleri
- Elektrik fiyatı ve türetilmiş zamansal değişkenler
Çalışma döneminin ilk yılları için gözlemlenmiş güneş enerjisi üretim verisi bulunmadığından, 2010 öncesi güneş enerjisi üretimini ridge regresyona dayalı bir vekil model kullanarak yeniden oluşturdum.
Araştırma Hedefleri
- Farklı enerji, hava durumu ve piyasa kaynaklarını birleştirerek günlük bir GED veri kümesi oluşturmak.
- İstatistiksel ve sinir ağı tabanlı tahmin modellerini tutarlı ve kronolojik bir değerlendirme çerçevesinde karşılaştırmak.
- Farklı model sınıflarının mevsimsellik, oynaklık ve değişen veri koşullarına nasıl tepki verdiğini incelemek.
- Sonraki planlama ve karar destek süreçleri açısından önemli olan modele özgü güçlü yönleri ve başarısızlık biçimlerini belirlemek.
Yöntem
ARIMA: GED'deki zamansal bağımlılığı modellemek için tek değişkenli istatistiksel temel model.
SARIMAX: İstatistiksel modeli dışsal hava durumu, talep ve piyasa değişkenleriyle genişlettim.
SARIMAX + GARCH: Oynaklığın açık biçimde modellenmesinin tahminleri iyileştirip iyileştirmediğini incelemek için SARIMAX artıklarındaki koşullu değişen varyansı modelledim.
Temel LSTM: Doğrusal olmayan zamansal bağımlılıkları öğrenmek için yakın dönem gözlemlerini kullanan tekrarlayan sinir ağı tabanlı temel model.
Dikkat Mekanizmalı Fourier Tabanlı Çift Kollu LSTM:
- Eğilim kolu: Fourier tabanlı eğilim özellikleriyle temsil edilen daha uzun dönemli yapıyı işler.
- Artık kolu: Hava durumu, talep ve piyasa değişkenleriyle ilişkili daha kısa dönemli değişimleri işler.
- Dikkat tabanlı birleştirme: Nihai tahmini üretmeden önce iki koldan gelen bilgiyi bir araya getirir.
Tahmin probleminin zamansal yapısını korumak için deneysel süreci kronolojik olarak değerlendirdim. Daha sonra ön işleme ve değerlendirme prosedürünü yeniden gözden geçirerek zamansal veri sızıntısı kaynaklarını belirledim ve deneyleri veri sızıntısının giderildiği koşullar altında yeniden çalıştırdım.
Sonuçlar
Düzeltilmiş deneyler, ilk analizde ulaşılan önemli bir sonucu değiştirdi.
- ARIMA: Yararlı bir istatistiksel temel model sundu ancak GED'in daha karmaşık mevsimsel ve dışsal yapısını temsil etmekte zorlandı.
- SARIMAX ve SARIMAX + GARCH: Veri sızıntısı düzeltildikten sonra da oldukça rekabetçi kaldı; zamansal yapının, dışsal değişkenlerin ve oynaklığın açık biçimde modellenmesinin değerini gösterdi.
- Temel LSTM: Doğrusal olmayan bazı zamansal örüntüleri yakaladı ancak uzun tahmin ufku boyunca istatistiksel yöntemleri tutarlı biçimde geride bırakmadı.
- Dikkat Mekanizmalı Fourier Tabanlı Çift Kollu LSTM: Eğilim ve artık bileşenlerinden gelen tamamlayıcı bilgiyi yakaladı; ancak düzeltilmiş değerlendirmede performans avantajı ilk deneylerin işaret ettiğinden belirgin biçimde daha küçüktü.
Analiz, her koşulda üstün olan tek bir model belirlemek yerine sistem ve veri koşulları değiştikçe farklı tahmin yaklaşımlarının farklı biçimlerde başarısız olduğunu ortaya koydu.
Bu bulgu temel soruyu hangi model en yüksek ortalama tahmin başarımına sahip? sorusundan bir modele ne zaman güvenilebilir ve güvenilirliği koşullara göre nasıl değişir? sorusuna taşıdı.
Katkılar
- Farklı enerji, hava durumu ve piyasa kaynaklarını birleştirerek 2000–2024 dönemini kapsayan günlük Birleşik Krallık Yeşil Enerji Talebi veri kümesi oluşturdum.
- Mevcut olmayan geçmiş güneş enerjisi üretim değerlerini ridge regresyona dayalı bir vekil modelle yeniden oluşturdum; R² = 0,70, MAE = 3,40 GWh ve RMSE = 4,33 GWh elde ettim.
- ARIMA, SARIMAX, SARIMAX–GARCH ve LSTM tabanlı modelleri kronolojik bir tahmin çerçevesinde karşılaştırdım.
- Fourier tabanlı eğilim ayrıştırmasını artık modelleme ve dikkat tabanlı birleştirmeyle bir araya getiren Çift Kollu LSTM geliştirdim.
- Yalnızca genel tahmin performansına dayanmak yerine, veri sızıntısının düzeltilmesi ve karşılaştırmalı hata analizi yoluyla tahmin güvenilirliğini ve modele özgü başarısızlık biçimlerini inceledim.
Projenin Önemi
Enerji sistemlerinde tahminler nihayetinde planlama, yenilenebilir enerji entegrasyonu, çizelgeleme ve kaynak tahsisine ilişkin kararları destekler. Bu tür ortamlarda ortalama tahmin doğruluğu yüksek bir model bile belirli hava koşullarında, sistem durumlarında veya dağılımın değiştiği dönemlerde hataları güvenilirliğini yitiriyorsa karar desteği açısından uygun olmayabilir.
Bu proje, belirsizlik altında yapay zekâ destekli karar verme konusundaki daha geniş araştırma ilgimin erken temellerinden birini oluşturdu: yalnızca doğru tahminlerin nasıl üretileceğini değil, model güvenilirliğinin, değişen koşulların ve belirsizliğin bu tahminlere dayanan kararları nasıl etkilemesi gerektiğini anlamaya yöneldim.