Kavramsal Çerçeve
Yenilenebilir enerji dinamiklerinin tahmini, daha akıllı ve sürdürülebilir şebekelerin tasarımı için kritik öneme sahiptir.
Çoğu çalışma enerji tüketimi veya yenilenebilir üretimi ayrı ayrı inceler; ancak bunları Yeşil Enerji Talebi (GED) adı altında yani tüketimin yenilenebilir kaynaklarla karşılanabilen oranı olarak birleştiren çalışmalar oldukça azdır.
Bu proje, Birleşik Krallık için (2000–2023) yeni bir günlük çözünürlüklü GED veri seti sunmaktadır. Resmî istatistiklerde genellikle aylık ya da yıllık olan bu verilerin eksikliği, şu bileşenler entegre edilerek giderilmiştir:
- Enerji tüketimi ve üretimi (yenilenebilir + yenilenemez)
- Hava durumu özellikleri (sıcaklık, rüzgâr, güneş, gün ışığı)
- Elektrik fiyatları
Araştırma Hedefleri
- Heterojen kaynaklardan günlük GED veri seti oluşturmak.
- Klasik tahmin yöntemlerini karşılaştırmak (ARIMA, SARIMAX + GARCH).
- Uzun dönemli mevsimsellik ve kısa vadeli volatiliteyi yakalayabilen derin öğrenme modelleri geliştirmek.
- Güçlü dalgalanmalara yol açan güneş enerjisi girdileriyle ve girdisiz performansı değerlendirmek.
Metodoloji
- ARIMA (5,0,2): Orta vadeli otokorelasyonları yakalayan tek değişkenli temel model.
- SARIMAX + GARCH: Dışsal hava durumu ve piyasa değişkenlerini dahil edip artık volatilitesini modelledi.
- Temel LSTM: 30 günlük girdi pencereleriyle tek dallı tekrarlayan sinir ağı.
- Fourier Tabanlı Çift Dallı LSTM + Dikkat:
- Trend dalı: Fourier dönüşümüyle temsil edilen mevsimsel GED desenleri.
- Artık dalı: Hava durumu ve fiyat özellikleri (bazı konfigürasyonlarda güneş girdileri dahil).
- Dikkat füzyonu: Trend ve volatilite sinyallerini uyarlanabilir şekilde dengelemek için öğrenilebilir ağırlıklar.
Sonuçlar
- ARIMA: Düzgün tahminler yaptı ama volatiliteyi yakalayamadı (R² = –1.17).
- SARIMAX + GARCH: Güneş verisi olmadan iyi çalıştı (R² ≈ 0.49), ancak güneş dahil edildiğinde çöktü.
- Temel LSTM: Mevsimsel eğilimlerde makul sonuç verdi ama volatiliteyi öğrenemedi (R² ≈ 0.06).
- Fourier Tabanlı Çift Dallı LSTM + Dikkat:
- En iyi performans, özellikle güneş verisiyle (R² ≈ 0.63).
- Trend dalı uzun vadeli mevsimselliği yakaladı.
- Artık dalı kısa vadeli, hava koşullarına bağlı dalgalanmaları işledi.
- Dikkat mekanizması her iki sinyalin dinamik olarak dengelenmesini sağladı.
Katkılar
- Birleşik Krallık için yeni bir yüksek çözünürlüklü GED veri seti sunuldu.
- Fourier ayrıştırması, çift dallı LSTM ve dikkat füzyonunu birleştiren volatilite-duyarlı hibrit derin öğrenme modeli önerildi.
- Güneş özelliklerinin ayrı bir artık dalında ele alınmasının aşırı öğrenmeyi önlediği ve dayanıklılığı artırdığı gösterildi.
Etki
Bu çerçeve, volatiliteye duyarlı hibrit modellerin, yenilenebilir enerji talebini tahminde klasik yöntemleri geride bırakabileceğini göstermektedir. Bu tür modeller özellikle şunlar için önemlidir:
- Sürdürülebilir şebeke planlaması
- Talep yönetimi
- Yenilenebilir entegrasyonu, belirsiz ve dalgalı koşullar altında.