İçindekiler
- 1. Giriş
- 2. Yöntem
- 3. Deneyler ve Sonuçlar
- 4. Teknik Detaylar
- 5. Analiz Çerçevesi Örneği
- 6. Gelecek Uygulamalar ve Görünüm
- 7. Uzman Yorumu
- 8. Özgün Analiz
- 9. Kaynaklar
1. Giriş
Fotovoltaik (FV) güç üretimi, bulut örtüsü, güneş konumu ve atmosferik aerosoller gibi hava koşullarına bağımlılığı nedeniyle doğası gereği değişkendir. Dakika ölçeğinde doğru kısa vadeli tahmin veya anlık tahmin, akıllı şebeke yönetimi, güç sürekliliğinin sağlanması ve rampa oranlarının yönetilmesi için kritik öneme sahiptir. Sayısal hava tahminlerine (NWP) veya uydu verilerine dayanan geleneksel yöntemler genellikle düşük uzamsal ve zamansal çözünürlükten muzdariptir ve bu da onları yerel, dakika düzeyindeki tahminler için uygunsuz hale getirir. Bu çalışma, gelecekteki güç çıktısını tahmin etmek için yer tabanlı bir kamera tarafından yakalanan gökyüzü görüntülerini ve geçmiş FV güç verilerini kullanan bir derin öğrenme yaklaşımı önermektedir.
2. Yöntem
2.1 Problem Tanımı
Amaç, geçmiş güç değerleri $\{P_{t}, P_{t-1}, ..., P_{t-N}\}$ ve bir dizi gökyüzü görüntüsü $\{I_{t}, I_{t-1}, ..., I_{t-M}\}$ verildiğinde, gelecekteki bir $t+\Delta t$ zamanında (örneğin, 1 dakika sonrası) FV güç çıktısı $P_{t+\Delta t}$'yi tahmin etmektir. Tahmin ufku $\Delta t$ tipik olarak kısadır (1-10 dakika).
2.2 Veri Kümesi ve Ön İşleme
Veri kümesi Japonya'nın Kyoto şehrinde toplanmış olup, 1 dakikalık aralıklarla yakalanan FV güç ölçümlerinden ve karşılık gelen gökyüzü görüntülerinden oluşmaktadır. Görüntüler, güneş etrafındaki sabit bir ilgi bölgesine (ROI) kırpılarak, 224x224 piksel boyutuna yeniden boyutlandırılarak ve piksel değerleri normalleştirilerek ön işlenir. Güç değerleri, min-maks ölçekleme kullanılarak [0,1] aralığına normalleştirilir.
2.3 Ağ Mimarileri
Üç derin öğrenme mimarisi karşılaştırılmaktadır:
- MLP (Çok Katmanlı Algılayıcı): Yalnızca geçmiş güç değerlerini girdi olarak alan bir temel modeldir. Sırasıyla 128, 64 ve 1 nörona sahip, ReLU aktivasyonları kullanan 3 tam bağlı katmandan oluşur.
- CNN (Evrişimli Sinir Ağı): Gökyüzü görüntülerini, 3 evrişimli katman (32, 64, 128 filtre, çekirdek boyutu 3x3) ve ardından maksimum havuzlama ve 2 tam bağlı katman kullanarak işler. Geçmiş güç değerleri, son katmandan önce birleştirilir.
- LSTM (Uzun Kısa Süreli Bellek): Güç değerleri dizisindeki ve bir CNN tarafından çıkarılan görüntü özelliklerindeki zamansal bağımlılıkları modellemek için 128 gizli birimli bir LSTM katmanı kullanır. LSTM çıktısı, tahmini üretmek için tam bağlı bir katmandan geçirilir.
3. Deneyler ve Sonuçlar
3.1 Değerlendirme Metrikleri
Performans, Kök Ortalama Kare Hatası (RMSE) ve aşağıdaki gibi tanımlanan RMSE beceri puanı kullanılarak değerlendirilir:
$\text{Beceri Puanı} = 1 - \frac{\text{RMSE}_{model}}{\text{RMSE}_{kalıcılık}}$
burada kalıcılık temel çizgisi $P_{t+\Delta t} = P_t$ olduğunu varsayar.
3.2 Nicel Sonuçlar
Aşağıdaki tablo, 1 dakika sonrası tahmin için RMSE beceri puanlarını özetlemektedir:
| Model | RMSE Beceri Puanı (%) |
|---|---|
| Kalıcılık Temel Çizgisi | 0 |
| MLP | 7 |
| CNN | 12 |
| LSTM | 21 |
LSTM modeli, %21 ile en yüksek beceri puanına ulaşarak MLP ve CNN temel çizgilerinden önemli ölçüde daha iyi performans göstermektedir. Bu, anlık tahmin için zamansal bağımlılıkların modellenmesinin önemini göstermektedir.
3.3 Ablasyon Çalışmaları
Ablasyon deneyleri, hem geçmiş güç değerlerinin hem de gökyüzü görüntülerinin kullanılmasının, her iki modalitenin tek başına kullanılmasından daha iyi performans sağladığını göstermektedir. LSTM modeli ayrıca daha uzun girdi dizilerinden (10 dakikaya kadar geçmiş) faydalanmaktadır.
4. Teknik Detaylar
4.1 Matematiksel Formülasyon
LSTM hücresi, gizli durum $h_t$ ve hücre durumu $c_t$'yi şu şekilde hesaplar:
$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
$\tilde{c}_t = \tanh(W_c \cdot [h_{t-1}, x_t] + b_c)$
$c_t = f_t \odot c_{t-1} + i_t \odot \tilde{c}_t$
$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
$h_t = o_t \odot \tanh(c_t)$
burada $x_t$, $t$ zamanındaki girdi, $\sigma$ sigmoid fonksiyonu ve $\odot$ eleman bazında çarpmayı ifade eder.
4.2 Kayıp Fonksiyonu ve Optimizasyon
Modeller, Ortalama Kare Hata (MSE) kaybını en aza indirmek için eğitilir:
$\mathcal{L} = \frac{1}{N} \sum_{i=1}^{N} (P_i - \hat{P}_i)^2$
Optimizasyon, $10^{-4}$ öğrenme hızı ve 32'lik bir parti boyutu ile Adam optimize edici kullanılarak gerçekleştirilir. Doğrulama kaybına dayalı olarak erken durdurma uygulanır.
5. Analiz Çerçevesi Örneği
Bir güneş enerjisi çiftliği yöneticisinin, FV çıktısını 5 dakika sonrası için tahmin etmek istediği bir senaryo düşünün. LSTM modelini kullanarak, girdi son 10 güç ölçümü ve 10 gökyüzü görüntüsünden oluşan bir dizi olacaktır. Model, özellikleri çıkarmak için görüntüleri bir CNN aracılığıyla işler, ardından LSTM zamansal desenleri yakalar. Çıktı, gerçek kW'a dönüştürülebilen tek bir normalleştirilmiş güç değeridir. Bu tahmin, yöneticinin yedek jeneratörleri etkinleştirme veya enerji depolamayı yönetme gibi şebeke operasyonlarını ayarlayarak istikrarı korumasını sağlar.
6. Gelecek Uygulamalar ve Görünüm
Önerilen derin öğrenme çerçevesinin birkaç umut verici gelecek yönü vardır:
- Nesnelerin İnterneti ile Entegrasyon: Modelin, bireysel güneş enerjisi tesislerinde gerçek zamanlı, düşük gecikmeli tahminler için uç cihazlara dağıtılması.
- Çoklu saha tahmini: Paylaşılan hava durumu modellerini kullanarak coğrafi olarak dağılmış birden fazla güneş enerjisi çiftliğinde güç çıktısını tahmin etmek için modelin genişletilmesi.
- Hibrit modeller: Gökyüzü görüntüsü dizilerindeki uzun vadeli bağımlılıkları daha iyi yakalamak için LSTM'nin dikkat mekanizmaları veya dönüştürücü mimarileri ile birleştirilmesi.
- Transfer öğrenme: Yeni konumlara genellemeyi iyileştirmek için CNN'nin büyük ölçekli gökyüzü görüntüsü veri kümelerinde (örneğin, hava istasyonlarından) ön eğitimi.
- Belirsizlik niceleme: Risk bilincine sahip karar vermeye yardımcı olmak için tahmin aralıkları sağlamak amacıyla Bayes sinir ağları veya Monte Carlo dropout'un dahil edilmesi.
7. Uzman Yorumu
Temel İçgörü: Bu makale, derin öğrenmenin, özellikle LSTM ağlarının, gökyüzü görüntüleri ve güç verilerindeki zamansal bağımlılıkları etkili bir şekilde modelleyerek kısa vadeli FV güç tahminini önemli ölçüde iyileştirebileceğini göstermektedir.
Mantıksal Akış: Yazarlar, sorunu açıkça tanımlamakta, giderek karmaşıklaşan üç mimari sunmakta ve bunları gerçek dünya veri kümesi üzerinde sistematik olarak değerlendirmektedir. Ablasyon çalışmaları, her bileşenin katkısını doğrulamaktadır.
Güçlü ve Zayıf Yönler: Ana güç, mimarilerin titizlikle karşılaştırılması ve LSTM'nin üstünlüğünün açıkça gösterilmesidir. Bununla birlikte, veri kümesi tek bir konumla (Kyoto) sınırlıdır ve modelin aşırı hava koşullarındaki (örneğin, şiddetli yağmur, kar) performansı araştırılmamıştır. Ayrıca, LSTM modelinin hesaplama maliyeti tartışılmamıştır.
Uygulanabilir İçgörüler: Uygulayıcılar için LSTM modeli, şebeke yönetimi için önemli olan kalıcılığa göre %21'lik bir iyileştirme sunmaktadır. Bunu dağıtmak için yüksek frekanslı veri toplamaya (gökyüzü kameraları ve güç sayaçları) yatırım yapılmalı ve gerçek zamanlı çıkarım için uç bilişim düşünülmelidir. Gelecekteki çalışmalar, çoklu saha doğrulamasına ve çeşitli hava desenlerine karşı sağlamlığa odaklanmalıdır.
8. Özgün Analiz
Bu makale, dakika ölçeğinde anlık tahmin için derin öğrenmenin etkinliğini göstererek güneş enerjisi tahmini alanına önemli bir katkı sağlamaktadır. Temel yenilik, hem gökyüzü görüntülerinde hem de güç verilerinde zamansal bağımlılıkları yakalamak için bir LSTM ağının kullanılması ve kalıcılık temel çizgisine göre %21'lik bir RMSE beceri puanı elde edilmesidir. Bu sonuç, yinelenen mimarilerin hava durumu tahmini ve enerji yükü tahmini gibi görevlerde üstün performans gösterdiği zaman serisi tahminindeki daha geniş eğilimlerle uyumludur (Hochreiter & Schmidhuber, 1997).
Teknik bir perspektiften bakıldığında, MLP, CNN ve LSTM mimarilerinin karşılaştırılması değerli bilgiler sağlamaktadır. Yalnızca geçmiş güç değerlerine dayanan MLP, güçlü bir temel çizgi görevi görür ancak bulut hareketinin görsel ipuçlarını yakalayamaz. CNN, gökyüzü görüntülerini dahil ederek bunu iyileştirir, ancak her zaman adımını bağımsız olarak ele alır. LSTM'nin dizileri modelleme yeteneği çok önemlidir, çünkü bulut dinamikleri doğası gereği zamansaldır. Bu bulgu, 3B CNN'lerin ve LSTM'lerin hareketi modellemek için kullanıldığı video anlama alanındaki araştırmalarla tutarlıdır (Tran ve diğerleri, 2015).
Bununla birlikte, çalışmanın sınırlamaları vardır. Veri kümesi, belirli bir iklim desenine (belirgin mevsimlere sahip ılıman) sahip olan Japonya'nın Kyoto şehrinde tek bir konumda toplanmıştır. Modelin diğer iklimlere (örneğin, tropikal, kurak) genellenebilirliği test edilmemiştir. Ayrıca, makale, düşük güçlü cihazlarda gerçek zamanlı dağıtım için engelleyici olabilecek LSTM modelinin hesaplama maliyetini ele almamaktadır. MobileNets (Howard ve diğerleri, 2017) gibi hafif mimarilerdeki son gelişmeler, çıkarım süresini azaltmak için araştırılabilir.
Bir diğer kritik husus, gökyüzü görüntülerinin kalitesidir. Makale, güneş etrafında sabit bir ROI kullanmaktadır ve bu, çevreden hareket eden bulutları yakalamayabilir. Gelecekteki çalışmalar, görüntü altyazılamada yapıldığı gibi (Xu ve diğerleri, 2015), ilgili bölgelere dinamik olarak odaklanmak için dikkat mekanizmalarını dahil edebilir. Ek olarak, modelin hızla değişen koşullar altındaki (örneğin, kümülüs bulutları) performansı, daha yüksek zamansal çözünürlük (örneğin, 10 saniyelik aralıklar) kullanılarak iyileştirilebilir.
Sonuç olarak, bu makale derin öğrenme tabanlı FV anlık tahmini için sağlam bir temel sağlamaktadır. LSTM modeli açık bir kazanan olsa da, pratik dağıtım hesaplama verimliliği ve genellenebilirliğin ele alınmasını gerektirir. Bu yaklaşımın akıllı şebeke sistemleriyle entegrasyonu, daha dayanıklı ve verimli yenilenebilir enerji yönetimine yol açabilir.
9. Kaynaklar
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
- Howard, A. G., ve diğerleri. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
- Tran, D., ve diğerleri. (2015). Learning spatiotemporal features with 3D convolutional networks. Proceedings of the IEEE International Conference on Computer Vision.
- Xu, K., ve diğerleri. (2015). Show, attend and tell: Neural image caption generation with visual attention. Proceedings of the International Conference on Machine Learning.
- Zhang, J., ve diğerleri. (2018). Deep photovoltaic nowcasting. Solar Energy (kabul edildi).