PV Güneş Enerjisi Modellemesi için Özellik Oluşturma ve Seçimi: Bir Makine Öğrenimi Çerçevesi

İçindekiler

1. Giriş ve Genel Bakış

Güneş fotovoltaik (PV) enerjisinin endüstriyel süreçlere entegrasyonu, sera gazı emisyonlarını azaltmak ve sürdürülebilirliği artırmak için temel bir stratejidir. Ancak, güneş enerjisinin doğası gereği kesintili ve değişken olması, şebeke stabilitesi ve güvenilir enerji arzı için önemli zorluklar oluşturmaktadır. Bu nedenle, PV enerji üretiminin doğru kısa vadeli tahmini, etkin enerji yönetimi, yük dengelemesi ve operasyonel planlama için kritik öneme sahiptir.

Bu makale, 1 saat ileri güneş enerjisi tahmini için yeni bir makine öğrenimi çerçevesi sunmaktadır. Temel yenilik, özellik mühendisliği yaklaşımında yatmaktadır. Yöntem, yalnızca ham geçmiş verilere ve hava değişkenlerine güvenmek yerine, Chebyshev polinomları ve trigonometrik fonksiyonlar kullanarak daha yüksek boyutlu bir özellik uzayı oluşturur. Daha sonra, farklı hava tiplerine özel olarak uyarlanmış sağlam ve yorumlanabilir bir tahmin modeli oluşturmak için özellik seçim şeması ile birlikte kısıtlı doğrusal regresyon kullanılır.

2. Metodoloji

2.1 Veri ve Girdi Özellikleri

Model, zamansal, meteorolojik ve otoregresif girdilerin bir kombinasyonunu kullanır:

• Meteorolojik Değişkenler: Işınım, sıcaklık, çiy noktası, nem, rüzgar hızı.
• Hava Tipi Sınıflandırması: Girdiler, hakim hava koşullarına (örneğin, açık, bulutlu, yağmurlu) göre kategorize edilir.
• Otoregresif Terim: Zamansal bağımlılıkları yakalamak için bir önceki zaman adımındaki (örneğin, 15 dakika önceki) güneş enerjisi üretimi dahil edilir.

2.2 Chebyshev Polinomları ile Özellik Oluşturma

Ham girdi özellikleri, daha zengin, daha yüksek boyutlu bir uzaya dönüştürülür. Belirli bir girdi değişkeni $x$ için, birinci tür Chebyshev polinomları, $T_n(x)$, kullanılır. Bu polinomlar, yineleme ilişkisi ile tanımlanır:

$T_0(x) = 1$

$T_1(x) = x$

$T_{n+1}(x) = 2xT_n(x) - T_{n-1}(x)$

Özellikler, belirli bir dereceye kadar $n$ için $T_n(x)$ olarak oluşturulur ve ayrıca periyodik desenleri yakalamak için çapraz terimler (örneğin, $T_i(x) \cdot T_j(y)$) ve trigonometrik fonksiyonlar (örneğin, $\sin(\omega t)$, $\cos(\omega t)$) içerebilir.

2.3 Özellik Seçim Şeması

Genişletilmiş kümeden en ilgili özellikleri seçmek için bir sarmal yöntem kullanılır. Bu işlem, farklı koşullar altında faktörlerin değişen etkisini hesaba katmak için her hava tipi için ayrı ayrı gerçekleştirilir. Seçim, model karmaşıklığı ve tahmin gücü arasında denge kurmayı ve aşırı uyumu önlemeyi amaçlar.

2.4 Kısıtlı Doğrusal Regresyon Modeli

Özellik seçiminden sonra, bir doğrusal regresyon modeli oluşturulur: $\hat{y} = \mathbf{w}^T \mathbf{x} + b$, burada $\mathbf{x}$ seçilen özelliklerin vektörüdür. Fiziksel gerçekçiliği ve kararlılığı artırmak için, regresyon bir kısıtlı en küçük kareler problemi olarak formüle edilir. Kısıtlamalar, belirli katsayılarda negatif olmama (örneğin, ışınımın güç çıkışı üzerinde negatif olmayan bir etkisi olmalıdır) veya katsayı büyüklüklerinde sınırlar içerebilir.

3. Deneysel Sonuçlar ve Performans

3.1 Deneysel Kurulum

Önerilen çerçeve, tarihsel PV santrali verileri üzerinde test edilmiştir. Veri seti eğitim ve test setlerine ayrılmış olup, performans Ortalama Kare Hata (MSE) ve potansiyel olarak Ortalama Mutlak Hata (MAE) gibi diğer metrikler kullanılarak değerlendirilmiştir.

3.2 Temel Modellerle Karşılaştırma

Makale, yöntemini birkaç yerleşik makine öğrenimi kıyaslaması ile karşılaştırmaktadır:

• Destek Vektör Makinesi (SVM)/Destek Vektör Regresyonu (SVR)
• Rastgele Orman (RF)
• Gradyan Artırma Karar Ağacı (GBDT)

Temel Bulgu: Özellik seçimi ile birlikte önerilen Chebyshev polinom tabanlı regresyon modeli, karşılaştırılan tüm klasik yöntemlerden daha düşük bir MSE elde etmiştir.

3.3 Farklı Hava Koşullarında Performans

Hava tipine özgü modelleme yaklaşımı muhtemelen üstün uyarlanabilirlik göstermiştir. Örneğin, oldukça değişken bulutlu koşullar altında, modelin seçtiği özellikler (belki de doğrusal olmayan ışınım etkilerini yakalayan yüksek dereceli polinom terimleri), stabil açık gökyüzü koşulları için seçilenlerden farklı olacak ve genel olarak daha doğru tahminlere yol açacaktır.

4. Teknik Detaylar ve Matematiksel Formülasyon

Temel optimizasyon problemi şu şekilde özetlenebilir:

1. Özellik Genişletme: Orijinal girdi vektörü $\mathbf{z}$'den genişletilmiş bir özellik vektörü $\mathbf{\Phi}(\mathbf{z}) = [T_0(z_1), T_1(z_1), ..., T_n(z_m), \text{ çapraz terimler}, \text{ trig terimler}]$ oluşturun.
2. Özellik Seçimi: Belirli bir hava tipi $k$ için tahmin hatasını en aza indiren bir alt küme $\mathbf{x} \subset \mathbf{\Phi}(\mathbf{z})$ bulun.
3. Kısıtlı Regresyon: Ağırlıklar $\mathbf{w}$ için çözün:
   $\min_{\mathbf{w}} ||\mathbf{y} - \mathbf{X}\mathbf{w}||^2_2$
   kısıt: $\mathbf{A}\mathbf{w} \leq \mathbf{b}$ (doğrusal eşitsizlik kısıtları, örneğin, $w_i \geq 0$).

5. Analiz Çerçevesi: Kod İçermeyen Bir Örnek

Kısmen bulutlu bir günde öğlen vakti gücü tahmin etmek için basitleştirilmiş bir senaryo düşünün. Ham girdiler şunlardır: Işınım ($I=600 W/m^2$), Sıcaklık ($T=25^\circ C$) ve önceki güç ($P_{t-1}=300 kW$).

1. Özellik Oluşturma: Işınım $I$ için, derece 2'ye kadar Chebyshev terimleri oluşturun: $T_0(I)=1$, $T_1(I)=600$, $T_2(I)=2*600*600 - 1 = 719,999$. Benzer genişletmeler $T$ ve $P_{t-1}$ için yapılır. $T_1(I)*T_1(T)$ gibi çapraz terimler de oluşturulur.
2. Özellik Seçimi ("Kısmen Bulutlu" modeli için): Seçim algoritması, $T_1(I)$ (doğrusal ışınım), $T_2(I)$ (doğrusal olmayan bir doygunluk etkisini yakalayan), $T_1(T)$ ve $P_{t-1}$'i koruyabilirken, bu hava tipi için ilgisiz olduğu düşünülen diğer birçok oluşturulmuş özelliği atabilir.
3. Tahmin: Son tahmin, doğrusal bir kombinasyondur: $\hat{P} = w_1*600 + w_2*719,999 + w_3*25 + w_4*300 + b$, burada kısıtlamalar nedeniyle $w_1, w_2 \geq 0$.

6. Temel Kavrayış ve Analist Perspektifi

Temel Kavrayış: Bu makalenin gerçek atılımı yeni bir kara kutu algoritması değil, disiplinli, fizik bilincine sahip bir özellik mühendisliği iş akışıdır. Hava ve PV çıkışı arasındaki ilişkinin yalnızca doğrusal olmadığını veya standart karar ağaçları tarafından kolayca yakalanamayacağını kabul eder. Mükemmel fonksiyon yaklaşım özellikleriyle bilinen bir temel uzayı (Chebyshev polinomları) açıkça oluşturarak ve ardından seyreklik sağlayan bir seçim uygulayarak, yöntem, belirli operasyonel rejimlere (hava tiplerine) özel olarak uyarlanmış yorumlanabilir, yüksek performanslı modeller oluşturur. Bu, özellikle veri sınırlı endüstriyel ortamlarda, derin öğrenmenin kaba kuvvetle uygulanmasından daha akıllı bir ML kullanımıdır.

Mantıksal Akış: Mantık sağlamdır: 1) Problem karmaşıklığını kabul edin (doğrusal olmayan, hava bağımlı). 2) Potansiyel karmaşık ilişkileri temsil etmek için girdi uzayını sistematik olarak genişletin. 3) Aşırı uyumu önlemek için alan bilgisiyle (hava tipine göre) bilgilendirilmiş seçimle agresif bir şekilde budayın. 4) Kararlılık ve içgörü için rafine edilmiş özellikler üzerinde basit, kısıtlı doğrusal modeller uygulayın. Bu iş akışı, modern ML'deki en iyi uygulamaları yansıtır, genelleştirilmiş katkı modellerindeki temel genişletme felsefesini veya yapılandırılmış alanlardaki özellik öğrenimini hatırlatır.

Güçlü ve Zayıf Yönler:
Güçlü Yönler: Yaklaşım yorumlanabilirdir—hangi polinom terimlerinin hangi hava için önemli olduğunu görebilirsiniz. Her hava tipi için devasa topluluklar veya sinir ağları eğitmekten hesaplama açısından daha hafiftir. Kısıtlamalar fiziksel gerçekçiliği zorunlu kılar, bu genellikle saf veri odaklı modellerde eksik olan bir adımdır. Kendi veri setinde RF ve GBDT'yi geride bırakmak, bunlar güçlü kıyaslamalar olduğu için güçlü bir sonuçtur.
Zayıf Yönler: Ana sınırlama, doğru, gerçek zamanlı hava tipi sınıflandırmasına bağımlılıktır, ki bu kendi başına bir tahmin problemidir. Yöntem, eğitim kategorilerinde net bir şekilde yakalanmayan hızla gelişen veya karışık hava koşullarında zorlanabilir. Ayrıca, buradaki kıyaslamalardan daha iyi olsa da, seçilen özellikler üzerindeki doğrusal bir modelin nihai performans tavanı, bilgisayarlı görü gibi alanlarda görüldüğü gibi, çok büyük veri setleri için mükemmel şekilde ayarlanmış, ultra karmaşık bir modelden daha düşük olabilir; bu alanlarda CycleGAN (Zhu ve diğerleri, 2017) gibi modeller manuel özellik oluşturma olmadan ham piksel verileri üzerinde başarılı olur.

Uygulanabilir İçgörüler: Endüstri uygulayıcıları için çıkarım açıktır: Model karmaşıklığından önce özellik mühendisliğine yatırım yapın. Bir sinir ağı dağıtmadan önce, girdilerinizi ortogonal polinomlar veya Fourier terimleri ile sistematik olarak genişletmeyi deneyin. Hava veya rejime özgü modeller uygulayın. Modelleri alan bilgisiyle uyumlu hale getirmek için her zaman basit kısıtlamalar eklemeyi düşünün. Araştırmacılar için bir sonraki adım, bu yaklaşımı melezleştirmektir: otomatik özellik oluşturma/seçimini daha gelişmiş modellere (örneğin, seçilen özellikler, sıra modellemesi için tekrarlayan bir sinir ağının girdileri haline gelir) bir girdi işlemcisi olarak kullanmak veya hava sınıflandırma adımını doğrudan uçtan uca bir öğrenme çerçevesine entegre etmek.

7. Gelecek Uygulamalar ve Araştırma Yönleri

• Derin Öğrenme ile Entegrasyon: Özellik oluşturma katmanı, bir sinir ağında özel bir katman olarak entegre edilebilir, böylece model temel fonksiyonların optimal kombinasyonunu öğrenebilir.
• Olasılıksal Tahminleme: Kısıtlı regresyon çerçevesini, risk bilincine sahip şebeke yönetimi için kritik olan tahmin aralıkları üretecek şekilde genişletin. Chebyshev polinomlarından ilham alan özel çekirdeklerle Gauss Süreci regresyonu gibi teknikler araştırılabilir.
• Farklı Lokasyonlar Arasında Öğrenme Aktarımı: Özellik seçim desenlerinin ("bulutlu" hava için hangi polinomların önemli olduğu) benzer iklimlere sahip farklı coğrafi konumlar arasında aktarılabilir olup olmadığını araştırın, böylece yeni PV kurulumları için veri ihtiyacı azalır.
• Gerçek Zamanlı Uyarlanabilir Seçim: Hava desenleri değiştikçe özellik setini dinamik olarak uyarlayabilen algoritmanın çevrimiçi öğrenme versiyonlarını geliştirin, statik hava tipi kategorilerinin ötesine geçin.
• Daha Geniş Enerji Uygulamaları: Aynı özellik oluşturma/seçim felsefesini, rüzgar enerjisi gibi diğer kesintili yenilenebilir kaynak tahminlerine veya bina enerji yükü tahmini gibi ilgili problemlere uygulayın.

8. Kaynaklar

1. Yang, Y., Mao, J., Nguyen, R., Tohmeh, A., & Yeh, H. (Yıl). Feature Construction and Selection for PV Solar Power Modeling. Dergi/Konferans Adı.
2. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
3. Uluslararası Enerji Ajansı (IEA). (2023). Yenilenebilir Enerjiler 2023: 2028'e Kadar Analiz ve Tahmin. IEA Yayınları. [Yenilenebilir enerji büyümesi üzerine harici kaynak]
4. Mason, K., & Ghanem, R. (2021). Yenilenebilir Enerji Tahmini için İstatistiksel Öğrenme. Wiley.
5. Ulusal Yenilenebilir Enerji Laboratuvarı (NREL). (t.y.). Güneş Enerjisi Tahmini. https://www.nrel.gov/grid/solar-forecasting.html adresinden alındı [Güneş enerjisi tahmini araştırmaları üzerine yetkili harici kaynak]