Bu tədqiqat, böyük Transformer arxitekturalarine dayanmadan 24 saat irəliyə yönəlmiş elektrik yükü proqnozunin doğruluğunu artırmak amacıyla EEMD tabanlı ayrıştırma, kanal yenidən kalibrlənməsi və GRU modelini bir araya getirmiştir. Model, geçmiş 168 saatlik yük məlumatsini kullanarak sonraxın 24 saati proqnoz etmiş; GEFCom2014 və dört PJM məlumat alt kümesinde beş fərqli təsadüfi başlanğıcla dəyərləndirilmişdir. GEFCom2014 üzərində seyrək qapılı tam model %7,90 MAPE dəyərine ulpeyəndrken yalnızca lokal yenidən kalibrlənmə yolunu kullanan LocalOnly modeli %7,76 ilə ən aşşəbəkəı MAPE dəyərini vermiştir. Bununla belə PJM nəticələri modelin bütün bölgelerde və bütün ölçütlerde üstün olmadığını, həmçinin onlayn kausal EEMD derütubətelerinde kanal yenidən kalibrlənməsinun əhəmiyyətli bir kazanç sşəbəkəlamadığını göstərir.

Araşdırmanın təməl yaklpeyəndmı, qarmpeyəndk yük ardıcıllıqsıni fərqli zaman miqyaslerini temsil eden komponentləre ayırmak və proqnoz modeline girmeden əvvəl bu komponentlərin əhəmiyyətini yenidən şəbəkəırlıqlandırmaktır. Ensemble Empirical Mode Decomposition ya da Topluluk Ampirik Kip Ayrıştırması (EEMD), yük ardıcıllıqsıni altı daxili mod funksiyası və bir artıq meyl komponentine ayırmıştır. Küresel və yerli kanal yolları daha sonra hangi ayrıştırılmış komponentlərin, temperatur və ya zaman xüsusilərinin proqnoz açistilikndan daha yararlı olduğunu öğrenmiştir.

GEFCom2014 təcrübəinde seyrək qapılı EEMD-DCA-GRU-SG modeli 167,5 bin öyrədilə bilən parametryle %7,90 MAPE elde etmiştir. Informer modeli 2,41 milyon parametreyle %8,36, PatchTST isə 615,5 bin parametreyle %8,49 MAPE vermiştir. Tədqiqatın ən aşşəbəkəı benchmark xətasını isə tam birlhədd model değil, yalnızca lokal zamanla bşəbəkəlı kanıtı kullanan LocalOnly varyantı üretmiştir. Bu nəticə, ayrıştırma sonrasında kısa dmühüm lokal örüntülerin kanal əhəmiyyətiini belirlemede küresel ortalamalardan daha güclü olabiləceğini göstərir.

Türkiyə baxımından üsul, elektrik paylanması və istehsal planlamasında istifadə edilən lokal yük ardıcıllıqlarınin fərqli zaman miqyaslerine ayrılması üçün araştırılabiləcek yüngül bir modelleme yaklpeyəndmı təqdim edir. Lakin tədqiqat Türkiyə elektrik dumantemi üzərində gerçekleştirilmemiştir. Türkiyədəki temperatur, tətil, regional istehlak, sənaye profili və şəbəkə şərtlərıyla ayrı təlim və doğrulama strukturlmadan operasyonel başarı sonucu çıqarılamaz. Özellikle onlayn kullanım üçün EEMD işleminin yalnızca proqnoz anına kadar mevcut məlumatlarle kausal biçimde uygulanması və modelin eyni protokolle yeniden eğitilmesi lazımdır.

Araşdırmanın təməl sualsu nedir?

Araşdırma şu sualya odaklanmaktadır: Elektrik yükü serisini çoxlu zaman ölçəklərine ayıran EEMD ilə kanal bazında yenidən şəbəkəırlıqlandırma birləşdirildiyinde, böyük Transformer modellerine gerek kalmadan daha doğru və daha dayanıklı qısa müddətli yük proqnozu strukturlabilir mi?

Kısa vadeli yük proqnozu; ekonomik yük dşəbəkəıtımı, istehsal birimi planlaması, elektrik bazarı işletimi, fiyatlandırma və talep tarafı yönetimi gibi müddətçler üçün mühümdir. Lakin elektrik tüketimi günlük və haftalık döngülerin yanında temperatur değişimleri, düzensiz olaylar və fərqli tezliklardaki dalğalanmaları eyni seri üçünde tpeyəndr. Ham serinin tek parça kimi modellenmesi, sürətli dalğalanmalarla yavaş meyllərin birbirini maskalemesine yol açabilir.

Literatürde hədəflenen boşluq nedir?

Tədqiqat üç teknik problema odaklanmaktadır:

• Ham yük ardıcıllıqsı günlük, haftalık, hava şərtlərına bşəbəkəlı və düzensiz hareketleri eyni anda içerdiği üçün çox ölçəkli strukturnın birbaşa öğrenilmesi güçleşebilir.
• EEMD gibi ayrıştırma üsulleri çox sayıda IMF və yardımcı kanal üretir; bütün kanalları eşit kabul etmek səs-küylü və ya zəif bilgi tpeyəndyan komponentlərin etkisini artırabilir.
• Transformer tabanlı modeller güclü temsil tutumsi sşəbəkəlayabilse də parametre və hesablama maliyetleri daha yüksek olabilir.

Önerilən çərçivə, EEMD ilə komponent ayrıştırmasını və yüngül kanal yenidən kalibrlənməsinu iki qatlı bir GRU proqnoz başlığıyla birleştirerek bu üç problema birlikte yanıt vermeyi amaçlamaktadır.

Modelin genel iş axınşı nasıl kurulmuştur?

Tədqiqatdaki arxitektura şema şu işlem ardıcıllıqsını göstərir:

1. Ham elektrik yükü və mevcut yardımcı xüsusilər alınır.
2. Yük serisi EEMD ilə altı IMF və bir artıq komponente ayrılır.
3. Ayrıştırılmış kanallara temperatur və dövri zaman xüsusiyyətləri eklenir.
4. Küresel, yerli və ya birlhədd kanal yenidən kalibrlənməsi uygulanır.
5. İsteğe bşəbəkəlı yumşaq seyrək qapı, zəif kanalları bastırır.
6. İki qatlı GRU geçmiş 168 saatten sonraxın 24 saatlik yük vektörünü üretir.

Mimari şema, kanal yenidən kalibrlənməsinun GRU’dan əvvəl konumlandığını göstərir. Böylece GRU, bütün komponentləri eşit şəbəkəırlıkla almak yerine model tarafından əhəmiyyətleri ayarlanmış bir özellik dizisi üzərində tədqiqatktadır.

Tahmin problemi matematiksel kimi nasıl diaqnozmlanmıştır?

Zaman t anındaki yük dəyəri l_t, giriş penceresi uzunluğu L = 168 saat və proqnoz üfüqü H = 24 saat kimi diaqnozmlanmıştır. Hedef vektör bu şəgildədir:

\[ \mathbf{y}_t = [l_{t+1},l_{t+2},\ldots,l_{t+H}]^{\mathsf{T}} \in \mathbb{R}^{H} \]

Bu vektör, proqnoz anından sonraxın 24 yük dəyərini birlikte temsil eder. Çok kanallı geçmiş məlumat penceresi isə şöyledir:

\[ \mathbf{X}_{t-L+1:t} = [\mathbf{x}_{t-L+1},\mathbf{x}_{t-L+2},\ldots,\mathbf{x}_{t}] \in \mathbb{R}^{C \times L} \]

Burada C kanal sayistiliknı, L isə her kanal üçün istifadə edilən keçmiş saat sayistiliknı gösterir. Modelin çıktistilik:

\[ \hat{\mathbf{y}}_t = f_{\theta}(\mathbf{X}_{t-L+1:t}) \in \mathbb{R}^{H} \]

ifadesiyle məlumatlmiştir. f_θ, öğreniləbilir parametreleri θ olan proqnoz modelidir; şapka işareti model tarafından proqnozlaşdırılan dəyəri belirtir.

Eğitim ardıcıllıqsında çox ufuklu orta kvadratik xəta en aza indirilmiştir:

\[ \mathcal{L}(\theta)=\frac{1}{BH}\sum_{i=1}^{B}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2 \]

B mini-batch ölçüsü, H proqnozlaşdırılan saat sayistilikdır. Karesel xəta, böyük proqnoz sapmalarını daha fazala cezalandırır. Tədqiqatda mini-batch ölçüsü 64 kimi müəyyən edilmişdir.

EEMD ayrıştırması ne yapmaktadır?

EEMD, yük siqnalıni fərqli tezlik və zaman miqyaslerine ait içsel kip fonksionlarına ayırmaktadır:

\[ l_t=\sum_{k=1}^{K}c_k(t)+r(t) \]

Burada c_k(t), k numaralı daxili mod funksiyasınu; r(t) isə yavaş değişen artık və ya eğilim komponentini ifade eder. Tədqiqatda K = 6 seçilmiş, buna görə altı IMF və bir artık kanal tutulmuştur.

Bu işlem, tek bir qarmpeyəndk dalğayı sürətli vibrasiyaler, orta miqyaslı döngüler və yavaş meyllər halinde ayrı ayrı incelemeye benzetiləbilir. Tədqiqatdaki 720 saatlik nümunə ayrıştırma grafiğinde IMF1 yüksək tezlikli və kiçik miqyaslı değişimleri, IMF3 orta miqyaslı periyodik hareketleri, IMF5 daha yavaş dalğalanmaları, artıq komponent isə genel yük eğilimini göstərir. Grafikte okunabilirliği korumak amacıyla bütün IMF’ler gösterilmemiştir.

GEFCom2014 üçün oluşturulan xüsusiyyət vektoru şu biçimde diaqnozmlanmıştır:

\[ \mathbf{x}^{EEMD}_t=[c_1(t),\ldots,c_6(t),r(t),temp_t,a^0_t,h^{sin}_t,h^{cos}_t,w^{sin}_t,w^{cos}_t]^{\mathsf{T}}\in\mathbb{R}^{13} \]

Bu vektörde temp_t temperatur bilgisini, a⁰_t isə dış bilgi tpeyəndmayan sıfır dəyərli uyğunluq kanalını temsil eder:

\[ a^0_t=0 \]

Sıfır kanalının amacı təcrübələr arasında eyni yardımcı özellik düzenini korumaktır; kanala herhangi bir dış məlumat yüklenmemiştir.

Saat və hafta döngüleri nasıl kodlanmıştır?

Saat və hafdiaqnozn günü kategorik sayılar kimi değil, sinus və kosinus cütleriyle döngüsel biçimde kodlanmıştır:

\[ h^{sin}_t=\sin\left(\frac{2\pi\cdot hour_t}{24}\right), \qquad h^{cos}_t=\cos\left(\frac{2\pi\cdot hour_t}{24}\right) \]

\[ w^{sin}_t=\sin\left(\frac{2\pi\cdot weekday_t}{7}\right), \qquad w^{cos}_t=\cos\left(\frac{2\pi\cdot weekday_t}{7}\right) \]

Bu gösterim, örneğin günün 23. saati ilə 0. saatinin sayısal kimi uzak görünmesi problemunu azaltır. Sinüs və kosinus birlikte kullanıldığında günün və ya hafdiaqnozn döngüsel konumu ikiölçülü kimi korunur.

Küresel kanal yolu nasıl tədqiqatktadır?

Küresel yol, her kanalın 168 saatlik giriş penceresindeki ortalama dəyərini hesaplar:

\[ s^g_c=\frac{1}{L}\sum_{\ell=1}^{L}X_{c,\ell} \]

Bu işlem global average pooling, yani qlobal orta hovuzlama kimi ifade edilmiştir:

\[ \mathbf{s}^{g}=GAP(\mathbf{X})\in\mathbb{R}^{C} \]

Ardından iki qatlı doğrusal olmayan bir projeksion kanal puanlarını üretir:

\[ \mathbf{u}^{g}=\mathbf{W}^{g}_{2}\phi(\mathbf{W}^{g}_{1}\mathbf{s}^{g}+\mathbf{b}^{g}_{1})+\mathbf{b}^{g}_{2} \]

φ, ReLU aktivləşdirmə işlevidir. Küresel yol, her kanalın pencere boyunca genel düzeyini və ortalama davranışını özetler; lakin qısamüddətli lokal örüntülerin tam konumunu birbaşa korumaz.

Yerel kanal yolu nasıl tədqiqatktadır?

Yerel yol, zaman oxu boyunca bir boyutlu konvolyusiya uygular:

\[ \mathbf{H}^{l}=\phi(Conv1D(\mathbf{X}))\in\mathbb{R}^{C\times L} \]

Bu işlem, ani yükseliş, kısa döngü və ya yaxınn zamanlı dalğalanma gibi lokal zamanla bşəbəkəlı örüntüleri çıqarmayı amaçlar. Evrişim çıktistilik zaman boyunca ortalanır:

\[ \mathbf{s}^{l}=GAP(\mathbf{H}^{l})\in\mathbb{R}^{C} \]

Yerel kanal balı ikinci bir iki qatlı projeksionla hesaplanır:

\[ \mathbf{u}^{l}=\mathbf{W}^{l}_{2}\phi(\mathbf{W}^{l}_{1}\mathbf{s}^{l}+\mathbf{b}^{l}_{1})+\mathbf{b}^{l}_{2} \]

Ablasyon nəticələrina görə en güclü dəqiqlik töhfəsi bu lokal yoldan gelmiştir.

Küresel və yerli bilgilər nasıl birleştirilmiştir?

İki yolun töhfəsi öğreniləbilir bir skalerle birleştirilmiştir:

\[ \alpha=\sigma(a) \]

\[ \mathbf{u}=\alpha\mathbf{u}^{g}+(1-\alpha)\mathbf{u}^{l} \]

σ sigmoid işlevidir. α dəyəri 1’e yaklaştığında qlobal yol, 0’a yaklaştığında lokal yol daha baskın olur. Başlangıç dəyəri, doğrulama təcrübələrine dayanarak lokal yolu əvvəlleyecek biçimde ayarlanmış; lakin təlim ardıcıllıqsında iki yolun nisbətinın öğrenilmesine izin məlumatlmiştir.

Yoğun kanal qapistilik şu aralığa sınırlandırılmıştır:

\[ \mathbf{m}=\frac{1}{2}+\frac{1}{2}\sigma(\mathbf{u}), \qquad \mathbf{m}\in(0.5,1)^{C} \]

Yeniden kalibre edilən giriş:

\[ \tilde{\mathbf{X}}=\mathbf{X}\odot\mathbf{m} \]

şeklindedir. ⊙, kanal şəbəkəırlığının bütün zaman addımlarına uygulanmasını ifade eder. Çarpanın 0,5 ilə 1 arasında tutulması nedeniyle dumantem kanalları büyütmekten və ya işaretini değiştirmekten çox, daha az yararlı bulunan kanalları yumuşak biçimde zəiflatmaktadır.

Seyrek qapı kanalları tamamen kaldırıyor mu?

Hayır. Tədqiqatdaki seyrək qapı, kanalları sıfıra indiren sert bir xüsusiyyət seçimi değildir. Eğitim ardıcıllıqsında Gumbel səs-küysü kullanılır:

\[ \epsilon\sim Gumbel(0,1) \]

Seyrek qapı dəyəri:

\[ \mathbf{g}=\sigma\left(\frac{\mathbf{u}+b-\tau+\epsilon}{\gamma}\right) \]

ifadesiyle hesaplanır. Burada b öğreniləbilir kaydırma, τ seyrək hədd, γ isə temperatur parametresidir.

Yumuşak qapı çarpanı:

\[ \mathbf{m}^{SG}=\frac{1}{2}+\frac{1}{2}\mathbf{g} \]

\[ \tilde{\mathbf{X}}_{SG}=\mathbf{X}\odot\mathbf{m}^{SG} \]

şeklindedir. Bu nedenle en zəif kanallar bilə en az 0,5 çarpanıyla korunur. Seyreklik düzeyi isə 0,5’in altında qapı dəyəri alan kanalların nisbəti kimi raporlanmıştır:

\[ S=\frac{1}{C}\sum_{c=1}^{C}\mathbb{I}(g_c<0.5) \]

Bu tasarım, yorumlanabilir kanal bastırması sşəbəkəlarken qradiyent axınşını sürdürmeyi və peyəndrı agresif özellik silmeyi önlemeyi amaçlamaktadır.

GRU proqnoz başlığı nasıl tədqiqatktadır?

Yeniden kalibre edilən özellik matrisi zaman ardıcıllıqlı biçime dönüştürülür:

\[ \tilde{\mathbf{X}}^{\mathsf{T}}\in\mathbb{R}^{L\times C} \]

İki qatlı GRU, her zaman addımında gizli durumu günceller:

\[ \mathbf{h}_{\ell}=GRU(\tilde{\mathbf{x}}_{\ell},\mathbf{h}_{\ell-1}), \qquad \ell=1,\ldots,L \]

Son gizli durum 24 saatlik çıktı uzayına doğrusal kimi yansıtılır:

\[ \hat{\mathbf{y}}_t=\mathbf{W}_{o}\mathbf{h}_{L}+\mathbf{b}_{o} \]

Model böylece 24 fərqli saati tek bir çox adımlı çıktı vektörü üçünde proqnoz etmektedir.

Hangi məlumat setleri istifadə edilmişdir?

PJM alanları, kaydırmalı pencerelerin çox yıllı boşluqları aşmasını önlemek və pandemi dəhəmiyyətini diğer dəhəmiyyətlerle qarışdırmamak amacıyla iki ayrı müddətkli dəhəmiyyəte bölünmüştür. Her alt küme bşəbəkəımsız kimi dəyərləndirilmişdir.

GEFCom2014 temperatur bilgisi içerirken PJM təcrübələrinde hava değişkeni kullanılmamıştır. Tədqiqat EEMD tabanlı modeller üçün 13 giriş kanalı bildirmektedir; lakin PJM təcrübələrinde temperatur kanalının ortak kanal düzeni üçünde tam kimi nasıl ikame edildiği ayrıntılı bir kanal listesiyle yeniden açıklanmamıştır.

Performans ölçütleri ne anlama gelmektedir?

Ortalama mutlak yüzde xəta:

\[ MAPE=\frac{100}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}\left|\frac{y_{i,h}-\hat{y}_{i,h}}{y_{i,h}}\right| \]

MAPE, proqnoz xətasını gerçek dəyərin yüzdesi kimi məlumatr. Daha düşük dəyər daha iyi performans anlamına gelir.

Kök orta kvadratik xəta:

\[ RMSE=\sqrt{\frac{1}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2} \]

RMSE böyük xətaları qaresel işlem nedeniyle daha güclü biçimde cezalandırır. Tədqiqat RMSE və MAE dəyərlərinin fiziki yük birimini cədvəlda açıkça belirtmemiştir; bu nedenle dəyərler mənbə məlumat ölçeğinde dəyərlendirilmelidir.

Ortalama mutlak xəta:

\[ MAE=\frac{1}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}|y_{i,h}-\hat{y}_{i,h}| \]

Belirleme katsayistilik:

\[ R^2=1-\frac{\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2}{\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\bar{y})^2} \]

R² dəyəri 1’e yaklaştıkça model gözlenen değişimin daha böyük bölümünü açıklamaktadır. Negatif R², modelin ortalama dəyər proqnozunden bilə zəif kalabildiğini gösterir.

Bir təməl modele görə nisbi yaxşılaşma bu şəgildə hesablanmışdır:

\[ RI=\frac{M_{baseline}-M_{model}}{M_{baseline}}\times100\% \]

Burada M, MAPE, RMSE və ya MAE gibi daha düşük olması tercih edilən bir xəta ölçütüdür.

GEFCom2014 nəticələri ne göstərir?

GEFCom2014 üzərində ən aşşəbəkəı MAPE dəyəri %7,76 ilə LocalOnly modelinde əldə edilmişdir. Seyrek qapılı tam EEMD-DCA-GRU-SG modeli %7,90 MAPE ilə ikinci güclü nəticə grubunda yer almış və EEMD-GRU, GRU, Informer və PatchTST modellerinden daha düşük xəta üretmiştir.

Sonuçlar iki ayrı mesaj vermektedir. Birincisi, EEMD sonrasında kanal yenidən kalibrlənməsi benchmark doğruluğunu artırabilmektedir. İkincisi, tam küresel-yerli birleşim her zaman en iyi struktur değildir. En iyi nəticə, yalnızca lokal yolu kullanan ablasyon modelinden gelmiştir.

Parametre və hesablama səmərəlilikliliği nasıldır?

Seyrek qapılı tam model, Informer’ın təxminən onda birinden daha az parametreyle daha düşük benchmark MAPE dəyəri üretmiştir. Bunun əksinə EEMD və kanal yenidən kalibrlənməsi, təməl GRU’ya görə təlim və inferensiya maliyetini artırmışdır. Həmçinin cədvəlda məlumatlen təlim müddətleri eyni iş istasyonunda ölçülmüş olsa da donanım xüsusiləri tədqiqatda ayrıntılı kimi bildirilmemiştir; bu nedenle müddətler fərqli dumantemlere birbaşa tpeyəndnmamalıdır.

Ablasyon təcrübələri hangi komponentin etgili olduğunu göstərir?

LocalOnly modeli EEMD-GRU’ya görə MAPE dəyərini ortalama 0,579 yüzde puan azaltmış və cütləşdirilmiş t-testinde p = 0,0063 sonucu vermiştir. Seyrek qapılı tam modelde ortalama azalma 0,438 yüzde puan, nisbi yaxşılaşma %5,21 və p = 0,0051 kimi bildirilmişdir. Yoğun NoSparse modelin iyiləşmesi yalnızca 0,135 yüzde puandır və statistik olaraq əhəmiyyətli bulunmamıştır; p = 0,2061.

Lakin təcrübələr yalnızca beş rastgele başlangıca dayanmaktadır. Yazar, Wilcoxon testinin beş nümunəle məhdud çözünürlüğe sahip olduğunu və istatistiksel testlərin ardıcıllıqlama tutarlılığı ilə etki böyüklükleriyle birlikte yorumlanması gerektiğini açıkça belirtmektedir.

PJM nəticələri modelin genellenebilirliği hakkında ne söylemektedir?

Tədqiqat metni, daha kapsamlı tamamlayıcı nəticələrda AEPOPT-pre üçün seyrək qapılı EEMD-DCA-GRU-SG modelinin ən aşşəbəkəı RMSE dəyərini verdiğini bildirmektedir. Lakin bu modelin söz konusu sayısal RMSE dəyəri ana belgede yer alan özet Tablo 3 üçünde gösterilmemiştir. Bu nedenle mətndeki ardıcıllıqlama aktarılabilir, lakin əskik dəyər proqnoz edilmemelidir.

PJM tapıntıları modelin evrensel üstünlük sşəbəkəlamadığını göstərir. Ayrıştırma bazı bölgelerde struktur xəta ölçütlerini iyiləştirirken bazı bölgelerde yalın GRU və ya yalnızca EEMD kullanan model daha başarılıdır. Kanal yenidən kalibrlənməunun yararı yük alanına və dəhəmiyyəte bşəbəkəlıdır.

Kanal əhəmiyyət grafiği ne göstərir?

Seyrek qapılı modelin kanal əhəmiyyəti qrafikinde IMF və artık kanalların böyük bölümü yüksek tutulma puanları almıştır. Özellikle IMF5, artıq komponent, IMF4 və IMF6 üst ardıcıllıqlarda görünmektedir. Gün içi döngüyü temsil eden saat sinus və kosinus xüsusiləri də yüksek əhəmiyyət kazanmıştır.

Hafdiaqnozn günü kodları daha düşük puan almıştır. Grafik üzərindən təxminən kimi weekday_sin kanalının sıfıra oldukça yaxınn, weekday_cos kanalının isə diğer zaman xüsusilərinden aydın biçimde düşük olduğu görülmektedir. Bu nəticə, fitted model üçünde EEMD komponentləri və gündəlik dövrnün həftəlik kodlara kıyasla daha fazala korunduğunu göstərir; lakin əhəmiyyət puanları kausal etki və ya genel geçer fiziki əhəmiyyət kimi yorumlanmamalıdır.

Tahmin qrafikleri model davranışını nasıl açıklamaktadır?

168 ardıcıl test adımındaki sürüşən bir saatlik proqnoz grafiği, EEMD tabanlı modellerin aşşəbəkəı tezlikli yük eğilimini GRU və Informer’a görə daha düzenli izlediğini göstərir. Bunun əksinə təxminən 75-100. test addımları arasındaki sürətli və yüksek amplitudali değişimlerde bütün modellerin mutlak xətaları yükselmektedir.

24 saatlik nümunə proqnoz grafiğinde EEMD-GRU və EEMD-DCA-GRU daha yumuşak eğrilər üretməktedir. Bu yumuşatma, genel günlük eğilimin yakalanmasına yardımcı olurken gerçek serideki keskin saatlik tepe və çukurların əskik temsil edilmesine də yol açabilmektedir. Grafik, modelin her proqnoz saatinde üstün olduğunu değil, daha sabit və düşük tezlik odaklı proqnozler ürettiğini destoynaqektedir.

Çevrim içi və kausal kullanımda ne olmuştur?

Ana təcrübələrde EEMD, məlumat xronoloji kimi təlim, doğrulama və test kümelerine ayrıldıktan sonra her küme üzərində tətbiq edilmişdir. Bu yaklpeyəndm, normalizasyon və ayrıştırma ayarlarının fərqli məlumat kümeleri arasında birlikte öğrenilmesini önlemektedir; lakin her proqnoz anında yalnızca geçmiş gözlemlerin kullanılabildiği katı onlayn dumantemle eyni değildir.

Yazar, bu məhdudlığı incelemek üçün yalnızca proqnoz anına kadar olan tarihsel ön eki kullanan kiçik bir kausal EEMD təcrübəi gerçekleştirmiştir:

Bu diaqnoz təcrübəi, günlük aralıklarla seçilən 30 proqnoz başlangıcı və yalnızca 10 EEMD topluluk derütubətesiyle strukturlmıştır. Tek yönlü eşleştirilmiş Wilcoxon testləri iki DCA varyantı üçün də əhəmiyyətli bulunmamıştır. Buna görə oflayn benchmark başaristilik katı kausal onlayn tətbiqya birbaşa aktarılmamaktadır.

Tədqiqatın desteklediği nəticələr nelerdir?

• EEMD sonrasında kanal yenidən kalibrlənməsi GEFCom2014 benchmark məlumatsinde proqnoz xətasını azaltabilmektedir.
• Yerel zamanla bşəbəkəlı kanal yolu, benchmark təcrübəinde en güclü bireysel dəqiqlik töhfəsinı sşəbəkəlamıştır.
• Seyrek qapı, tam küresel-yerli modelde sıx qapıya görə daha iyi nəticə vermiş və kanal düzeyinde yorumlanabilir bastırma sşəbəkəlamıştır.
• Önerilən modeller, Transformer tabanlı müqayisəlardan aydın biçimde daha az öyrədilə bilən parametr kullanmıştır.
• EEMD tabanlı üsuller bazı PJM alt kümelerinde RMSE və R² nəticələrinı iyiləştirmiştir.

Tədqiqat neyi sübut etmir?

• Önerilən modelin bütün elektrik şəbəkəlerinde və ya bütün məlumat setlerinde en iyi üsul olduğu kanıtlanmamıştır.
• Tam seyrək qapılı model benchmark üzərində ən aşşəbəkəı xətayı vermemiştir; LocalOnly daha başarılıdır.
• Çevrim dışı EEMD nəticələri real zamanlı onlayn başarı kanıtı değildir.
• Model Türkiyə elektrik dumantemi üzərində təsdiqlənməmişdir.
• Tədqiqat ekonomik tasarruf, istehsal xərci düşüşü və ya saha işletme başaristilik ölçmemiştir.
• Olasılıksal proqnoz və ya proqnoz belirsizliği aralıkları dəyərlendirilmemiştir.
• Kanal əhəmiyyət puanları fiziki kausallik kanıtı değildir.
• Beş təsadüfi başlanğıctan əldə edilən istatistiksel nəticələr geniş nümunəlemli bir qeyri-müəyyənlik analizi yerine geçmez.

Güçlü yönler və məhdudlıklar nelerdir?

Güçlü yönler:

• Model komponentlərinin etkisi GlobalOnly, LocalOnly, sıx qapı və seyrək qapı ablasyonlarıyla ayrı ayrı araşdırılmışdır.
• Benchmark məlumat setine ek kimi fərqli dəhəmiyyətlere ayrılan gerçek PJM yük ardıcıllıqları istifadə edilmişdir.
• Sonuçlar beş rastgele başlangıcın ortalama və standart sapmalarıyla raporlanmıştır.
• Doğrulukla birlikte parametre, təlim müddəti və inferensiya müddəti qarşılaştırılmıştır.
• Yazar, modelin başaristilikz və ya məhdud kaldığı PJM və kausal onlayn nəticələrinı da açıkça təqdim etmişdir.

Temel məhdudlıklar:

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.
• Ana EEMD protokolü katı onlayn kausal ayrıştırmayla eyni değildir.
• Nedensel ön ek təcrübəinde DCA varyantları EEMD-GRU’yu geçmemiştir.
• EEMD işlemi ham GRU modellerine görə ek ön işleme maliyeti yaratmaktadır.
• PJM təcrübələri yalnızca CE və AEPOPT alanlarıyla məhduddur.
• PJM məlumatsinde hava dəyişənləri kullanılmamıştır.
• İstatistiksel müqayisə yalnızca beş rastgele başlangıca dayanmaktadır.
• Tamamlayıcı PJM cədvəlsundaki bazı nəticələrin sayısal dəyərləri ana belgede məlumatlmemiştir.
• Kod, işlenmiş məlumat bölümleri və təlimli modeller birbaşa keçidyla yayımlanmamış; müəllifın makul talep üzerine sunabiləceği qeyd edilmişdir.

Tədqiqatın Yöntemi və Bulguları

Deney düzeninin teknik özeti

Karşılaştırılan modeller

• Ortalama, müddətklilik və son gün dəyərini kullanan naif proqnozcilər
• XGBoost
• GRU, LSTM və CNN-LSTM
• Informer və PatchTST
• EEMD-GRU
• EEMD kullanılmadan çalışan DCA-GRU-SG
• GlobalOnly və LocalOnly ablasyonları
• Yoğun EEMD-DCA-GRU
• Seyrek qapılı EEMD-DCA-GRU-SG

Ana tapıntıların teknik özeti

• Benchmark doğruluğu: LocalOnly modeli GEFCom2014 üzərində %7,76 MAPE, 16,60 RMSE, 12,28 MAE və 0,9005 R² elde etmiştir.
• Tam seyrək model: EEMD-DCA-GRU-SG %7,90 MAPE və 16,78 RMSE üretmiştir.
• Ayrıştırma etkisi: EEMD-GRU, ham GRU’ya görə MAPE’də məhdud; RMSE, MAE və R² ölçütlerinde daha aydın iyiləşme sşəbəkəlamıştır.
• Yerel yolun etkisi: LocalOnly, GlobalOnly və iki birlhədd varyanttan daha düşük xəta vermiştir.
• Seyrek qapının etkisi: Tam birlhədd modelde seyrək qapı, yoğun varyantın MAPE dəyərini %8,20’den %7,90’a düşürmüştür.
• Parametre səmərəlilikliliği: Tam seyrək model 167,5 bin parametre kullanırken Informer 2,41 milyon, PatchTST 615,5 bin parametre kullanmıştır.
• PJM sınırları: CE-pre və ana AEPOPT-pre özetinde GRU; CE-post’ta yoğun EEMD-DCA-GRU; AEPOPT-post’ta EEMD-GRU daha başarılıdır.
• Çevrim içi sınır: Nedensel ön ek testinde DCA varyantları EEMD-GRU’ya görə əhəmiyyətli bir iyiləşme üretmemiştir.

Uygulama açistilikndan nəticə

Tədqiqat, qısa müddətli yük proqnozunde model böyüklüğünü artırmak yerine siqnal strukturunı ayrıştırmanın və giriş kanallarını seçici biçimde zəiflatmanın etgili olabiləceğini göstərir. Bununla belə en iyi benchmark struktur, önerilən tam küresel-yerli model değil, yalnızca lokal yenidən kalibrlənmə yoludur. Bu durum daha qarmpeyəndk birleşimin otomatik kimi daha iyi nəticə vermediğini ortaya koymaktadır.

Real zamanlı tətbiq üçün modelin yalnızca geçmiş məlumatlari kullanan sürüşən və ya pencere bazlı EEMD ilə yeniden eğitilmesi lazımdır. EEMD hesablama yükünün, məlumat geldiği anda proqnoz üretmesi gereken dumantemlerde həmçinin ölçülmesi zorunludur. Tədqiqatın mevcut nəticələri oflayn benchmark başaristiliknı destoynaqekte, lakin hazır bir saha dumantemi və ya real zamanlı işletme başaristilik sunmamaktadır.

Mənbə və Metod Qeydi

• Tədqiqatın tam özgün adı: Decomposition-Aware Channel Recalibration for Lightweight Short-Term Load Forecasting
• Yazar: Jiezhuo Zhang
• Yazar ardıcıllıqlaması: Tek müəlliflı tədqiqat
• Eş birinci müəllif: Bulunmamaktadır.
• Sorumlu müəllif: Jiezhuo Zhang
• Kurum: School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, China
• DOI:10.2139/ssrn.7192485
• Dergi: Hakemli bir jurnal bilgisi bulunmamaktadır.
• Yayın platformau: SSRN
• Platform işletmecisi: Elsevier Inc.
• Yayın yılı: 2026
• SSRN kayıt tarihi: 27 Temmuz 2026
• Qaynaq türü: Modelleme və məlumat analizi içeren preprint araşdırma tədqiqatsı
• Hakemlik durumu: Bu tədqiqat bir preprinttir və rəyçi qiymətləndirməsindən keçməmişdir.
• Resmî tədqiqat keçidsı:SSRN rəsmi tədqiqat sayfası

Bu Türkçe açıklama, yüklenen tədqiqatın metni, formulaleri, cədvəlları, arxitektura şeması, ayrıştırma qrafikleri, ablasyon nəticələri, PJM müqayisəları, kanal əhəmiyyəti qrafiki və proqnoz görselleri incelenerek hazırlanmışdır. Tədqiqatda bulunmayan yeni bir təcrübə sonucu, bilimsel başarı iddiası və ya dış mənbətan alınmış bilimsel tapıntı eklenmemiştir. Dış mənbə nəzarətü yalnızca DOI, SSRN tarihi, platforma və nəşr durumu gibi bibliyoqrafik kimlik bilgilərinin doğrulanması üçün istifadə edilmişdir.

Tədqiqatın başlıca məhdudlıkları; hakem dəyərləndirməsinden geçmemesi, ana EEMD dəyərləndirməsinin katı onlayn kausal protokolle eyni olmaması, kausal prefiks testinde DCA kazancının doğrulanmaması, EEMD’nin hesablama maliyeti, yalnızca iki PJM alanının kullanılması, PJM təcrübələrinde hava məlumatsinin bulunmaması və istatistiksel təcrübələrin beş təsadüfi başlanğıcla məhdud olmasıdır.

Yazar, herhangi bir rekabet eden finansal çıqar və ya kişisəl ilişki bildirmemiş və araşdırmanın kamu, kommersiya ya da kâr amacı gütmeyen fon kuruluşlarından özel bir destek almadığını belirtmiştir. GEFCom2014 və PJM Data Miner məlumatlari kamuya açık mənbəlardan alınmıştır; işlenmiş məlumat bölümleri, kod və təlimli model çıktılarının makul talep üzerine sunulabiləceği ifade edilmiştir.

Tədqiqatın süni intellekt beyanına görə OpenAI ChatGPT və Codex; dil iyiləştirmesi, kod incelemesi, belge biçimlendirmesi və tutarlılık nəzarətlərinde istifadə edilmişdir. Yazar, süni intellekt destekli çıktıları sonradan gözden geçirip düzenlediğini, eksperimental işlemleri və nəticələri bşəbəkəımsız kimi doğruladığını və nəşrın içeriğine ilişkin sualmluluğu üstlendiğini bildirmiştir.