Kazanimlar:
- Kısa, orta ve uzun vadeli yük tahmininin farklarını ve enerji sistemindeki kullanım alanlarını açıklayabilme
- Yapay zeka ile öznitelik mühendisliği, model seçimi ve tahmin değerlendirmesini yürütebilme
- Tahmin hatasını MAPE gibi metriklerle ölçüp mühendislik makullüğü ve yedeklilik ihtiyacıyla ilişkilendirebilme
Elektrik depolanması pahalı ve sınırlı bir emtiadır; bu yüzden bir şebeke, tüketicilerin ne kadar elektriği ne zaman isteyeceğini önceden bilmek zorundadır. Yük tahmini (load forecasting), gelecekteki elektrik talebini önceden kestirme işidir ve enerji sisteminin en temel analizlerinden biridir. Santraller bu tahmine göre programlanır, piyasada alım-satım kararı buna göre verilir, şebeke yatırımı buna göre planlanır. Bu ünitede yük tahmininin türlerini, yapay zeka ile nasıl kurulup değerlendirildiğini ve tahmin hatasının mühendislik sonuçlarını öğreneceğiz. Terimi netleştirelim: yük, belirli bir anda tüketilen elektrik gücüdür (kW/MW); yük eğrisi ise bu gücün zaman içindeki seyridir.
Tahmin Ufukları: Kısa, Orta, Uzun Vade
Yük tahmini, ne kadar ileriye baktığına göre farklı işlere hizmet eder ve farklı yöntemler gerektirir.
Çok kısa ve kısa vade (dakikalardan birkaç güne). Şebeke dengeleme, birim taahhüdü (hangi santralin çalışacağı) ve piyasa teklifleri için kullanılır. Burada hava durumu, gün tipi (hafta içi/sonu) ve yakın geçmişteki tüketim en güçlü belirleyicilerdir. Doğruluk kritiktir çünkü hata doğrudan dengesizlik maliyeti doğurur.
Orta vade (haftalardan bir yıla). Bakım planlaması, yakıt tedariki ve mevsimsel sözleşmeler için kullanılır. Mevsimsellik ve ekonomik eğilimler öne çıkar.
Uzun vade (yıllar). Şebeke ve santral yatırımı, kapasite planlaması için kullanılır. Nüfus, ekonomik büyüme, elektrikli araç ve ısı pompası yaygınlığı gibi yapısal etkenler belirleyicidir. Burada belirsizlik doğal olarak büyüktür ve senaryo yaklaşımı kullanılır.
İpucu: Tahmin ufkunu netleştirmeden model seçmeyin. Yarını tahmin eden bir model ile 2035'i tahmin eden bir model tamamen farklı girdiler ve farklı belirsizlik yönetimi ister.
Yükü Belirleyen Etkenler ve Öznitelik Mühendisliği
Bir makine öğrenmesi modeline verdiğimiz girdilere öznitelik (feature) denir. İyi yük tahmini, iyi öznitelik seçmekle başlar. Yükü belirleyen başlıca etkenler:
- Takvim: Saat, gün tipi, hafta sonu, resmi tatil, mevsim. Yük, insan davranışının ritmini izler; sabah ve akşam tepeleri yapar.
- Hava: Sıcaklık en güçlü etkendir (soğutma ve ısıtma yükü), ardından nem, ışınım ve rüzgar. Sıcaklık-yük ilişkisi genellikle U biçimlidir: hem çok sıcak hem çok soğukta yük artar.
- Geçmiş yük: Bir saat, bir gün ve bir hafta önceki tüketim (gecikmeli öznitelikler; lag features), yakın geleceğin en güçlü habercisidir.
- Özel olaylar: Büyük spor etkinlikleri, uzun tatiller, ekonomik şoklar.
Yapay zeka, bu öznitelikleri üretmekte ve hangilerinin etkili olduğunu keşfetmekte çok işe yarar. Ama bir tuzağa dikkat: tahmin anında elde olmayacak bir bilgiyi öznitelik yapmak (örneğin tahmin edilecek saatin gerçek sıcaklığını, oysa elimizde sadece hava tahmini olacaktır) veri sızıntısı yaratır ve modeli gerçekte işe yaramaz kılar.
Adım Adım: Yapay Zeka ile Yük Tahmini
Adım 1 — Problemi tanımla. Ufuk (yarın mı, gelecek yıl mı), çözünürlük (saatlik mi) ve hedef (toplam sistem yükü mü, tek fider mi) netleştirilir.
Adım 2 — Veriyi hazırla. Önceki ünitedeki disiplinle temiz zaman serisi kurulur; hava ve takvim verisi eklenir.
Adım 3 — Öznitelik üret. Takvim, gecikmeli yük ve hava öznitelikleri oluşturulur. Sızıntı kontrolü yapılır: her öznitelik tahmin anında elde midir?
Adım 4 — Model seç ve eğit. Basit bir temel (örneğin "geçen haftanın aynı saati") her zaman ilk adımdır; gelişmiş modeller ancak bu temeli geçtiği ölçüde değerlidir. AI, model kodunu ve öznitelik hattını üretmekte yardımcıdır.
Adım 5 — Değerlendir. Model, görmediği bir zaman diliminde (gelecekteki bir dönem) test edilir; asla eğitim verisinde değerlendirilmez. Metrikler saat ve rejim bazında ayrıştırılır.
Adım 6 — Belirsizliği raporla. Tek bir sayı değil, bir aralık (tahmin bandı) verilir; şebeke yedekliliği bu banda göre planlanır.
Tahmin Hatasını Ölçmek: MAPE ve Ötesi
Tahmin kalitesini ölçmek için birkaç metrik kullanılır. MAPE (Mean Absolute Percentage Error; ortalama mutlak yüzde hata), tahmin ile gerçek arasındaki farkın yüzde olarak ortalamasıdır; yorumlaması kolaydır. Sistem düzeyinde kısa vadeli yük tahmininde tipik olarak yüzde 1-3 MAPE iyi kabul edilir; tek bina/fider düzeyinde bu değer doğal olarak daha yüksektir çünkü tek tüketici daha değişkendir.
Ama tek başına MAPE yanıltıcı olabilir. Ortalama düşük görünse bile tepe saatlerde sistematik sapma olabilir ve şebeke tam da tepede kritiktir. Bu yüzden hatayı saat bazında, gün tipi bazında ve özellikle tepe anlarında ayrı incelemek gerekir. Ayrıca hatanın yönü önemlidir: sürekli düşük tahmin (talebi eksik görme) yetersiz üretim programına yol açar ve dengesizlik doğurur.
Dikkat: "MAPE yüzde 2, harika" demek yetmez. Tepe saat MAPE'si yüzde 6 ise ve akşam zirvesini sürekli düşük tahmin ediyorsanız, o modelle şebeke dengeleme riske girer. Ortalama metriği hiçbir zaman rejim bazında ayrıştırmadan güvenli saymayın.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Temeli geçememek. Bir ekip karmaşık bir model kurup yüzde 2,8 MAPE elde etti ve sevindi. Sonra basit "geçen haftanın aynı saati + sıcaklık düzeltmesi" temeli yüzde 2,6 verdi. Karmaşık model temeli geçemiyordu; ek karmaşıklığın hiçbir değeri yoktu. Ders: her zaman önce basit temeli kurun.
Vaka 2 — Tepe kör noktası. Bir dağıtım şirketinin modeli genel MAPE'de yüzde 2,1 ile iyiydi ama yaz akşamı klima zirvesinde sürekli yüzde 7 düşük tahmin ediyordu. Bu, birkaç sıcak günde beklenmedik yük ve gerilim düşümü yarattı. Sıcaklık özniteliğine "ardışık sıcak gün sayısı" (bina ısı biriktirmesi) eklenince tepe hatası yüzde 3'e indi.
Vaka 3 — Sızıntının ele geçmesi. Bir stajyerin modeli geriye dönük testte inanılmaz iyi (yüzde 0,4 MAPE) çıktı. İnceleme, modelin tahmin edilen saatin gerçekleşen sıcaklığını öznitelik olarak kullandığını gösterdi; oysa gerçekte sadece hava tahmini olacaktı. Sızıntı düzeltilince MAPE gerçekçi bir yüzde 2,5'e çıktı. "Çok iyi" sonuç çoğu zaman bir hata işaretidir.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu yük verisiyle bir tahmin modeli kur.[veri]
Güçlü prompt:
Rolün: Enerji talep tahmini uzmanı. Amaç: gün öncesi (24 saat ileri) saatliksistem yükü tahmini.- Önce basit bir temel öner (örn. geçen haftanın aynı saati) ve onu referans al.- Öznitelik listesi çıkar; HER öznitelik için "tahmin anında elde mi?" diye işaretle. Sızıntı riski olanları ayır.- Değerlendirmeyi eğitim döneminden AYRI, sonraki bir dönemde yap.- MAPE'yi genelde VE tepe saatlerde ayrı raporla; hatanın yönünü (düşük/yüksek) belirt.- Sonuç tek sayı değil, tahmin aralığı olsun.Veri şeması: [sütunlar]
Güçlü prompt temeli zorunlu kılar, sızıntıyı önler, değerlendirmeyi doğru kurar ve belirsizliği görünür yapar — kötü yük tahmininin dört klasik hatasını baştan keser.
Dört Kopyalanabilir Şablon
1) Öznitelik ve sızıntı denetimi:
Şu tahmin problemi için öznitelik listesi öner: [problem]. Her öznitelik içinüç bilgi ver: (a) neden yükü etkiler, (b) tahmin anında elde mi, (c) sızıntıriski var mı. Sızıntılı olanları kullanma listesinden çıkar.
2) Temel model kurma:
Bu yük serisi için en az iki basit temel öner (örn. dünün aynı saati, geçenhaftanın aynı saati, sıcaklık düzeltmeli ortalama). Her birinin mantığını yaz.Gelişmiş model ancak bu temelleri anlamlı geçerse önerilecek.
3) Değerlendirme protokolü:
Bu model için değerlendirme planı kur: eğitim/test dönemlerini zaman sırasınagöre ayır (gelecekten geçmişe sızıntı olmasın). Metrikleri genel, gün tipi vetepe saat bazında ayrı hesapla. Hatanın sistematik yönünü raporla.
4) Belirsizlik ve karar bağı:
Tahmini bir aralıkla sun (alt/üst bant). Bu aralığın şebeke yedeklilik vepiyasa teklif kararına nasıl bağlanacağını açıkla. "En kötü makul senaryo"dane olur sorusunu ayrıca yanıtla.
Tahmin Ufku Tablosu
Ufuk
Süre
Temel kullanım
Baskın etken
Çok kısa
Dakika-saat
Dengeleme, kontrol
Yakın geçmiş yük
Kısa
1-7 gün
Birim taahhüdü, piyasa
Hava, gün tipi
Orta
Hafta-yıl
Bakım, yakıt, sözleşme
Mevsimsellik, ekonomi
Uzun
Yıllar
Yatırım, kapasite
Nüfus, EV, ısı pompası
Sık yapılan hatalar
- Basit temeli atlamak. Karmaşık model, basit temeli geçtiğini kanıtlamadan değerli sayılamaz.
- Veri sızıntısı. Tahmin anında elde olmayacak bilgiyi öznitelik yapmak, sahte mükemmellik üretir.
- Ortalama metriğe körü körüne güvenmek. Tepe saat ve mevsim geçişleri ayrı incelenmezse şebeke risk altındadır.
- Tek sayı vermek. Belirsizlik bandı olmadan tahmin, yedeklilik planlaması için eksiktir.
- Eğitim verisinde değerlendirmek. Model her zaman görmediği bir dönemde sınanmalıdır.
Özetle
Yük tahmini enerji sisteminin nabzıdır; ufka göre yöntemi ve belirsizliği değişir. İyi tahmin, iyi öznitelikle başlar ve sızıntıya karşı titiz olmayı gerektirir. Yapay zeka öznitelik üretimi, model kurma ve değerlendirmede güçlü bir yardımcıdır; ama basit temel her zaman referanstır, değerlendirme görmemiş dönemde yapılır ve hata ortalamayla değil tepe/rejim bazında yorumlanır. Tahmin tek sayı değil, karara bağlanmış bir aralıktır.
Uygulama görevi
Bir yük veya tüketim serisi alın. Önce elle bir basit temel kurun (örneğin "geçen haftanın aynı saati"). Sonra "Öznitelik ve sızıntı denetimi" ve "Değerlendirme protokolü" şablonlarıyla AI'dan bir tahmin planı isteyin. Her önerilen özniteliğin sızıntı riskini kendiniz sorgulayın. Son olarak tahminin tepe saatlerdeki hatasının, ortalama hatadan farklı olup olmadığını kontrol edin ve bulgunuzu yazın.
Kontrol listesi
- [ ] Tahmin ufkunu, çözünürlüğü ve hedefi netleştirdim
- [ ] Basit bir temel kurdum ve onu referans aldım
- [ ] Her özniteliği "tahmin anında elde mi?" diye sızıntıya karşı denetledim
- [ ] Değerlendirmeyi görmemiş bir dönemde yaptım
- [ ] MAPE'yi genel ve tepe saat bazında ayrı inceledim
- [ ] Hatanın sistematik yönünü (düşük/yüksek) kontrol ettim
- [ ] Tahmini bir belirsizlik aralığıyla ve karara bağlayarak sundum