Araştırma, yalnız tarixçə fotovoltaik güc değerlerini kullanarak 5 dakikalık çözünürlükte günəş PV güc tahmini yapmak üçün Back-Propagation (BP) ilə Online Sequential Learning Algorithm (OSLA) yaklaşımlarını birleştiren Modified BP-OSLA adlı hibrid bir öyrənmə algoritması geliştiriyor. Model; üç gecikmeli həqiqi güc değerini üç gecikmeli proqnoz değeriyle birleştiren altı girdili bir yapı, xəta belirli bir eşiği aştığında devreye giren koşullu çəki güncellemesi və küresel öyrənmə nisbəti kullanıyor. Üç Florida PV məlumat serisinde 30 günlük eğitim və 7 günlük görünmeyen test döneminde kaynakta haftalık MAPE/WMAPE kimi müxtəlif biçimlerde adlandırılan xəta değerleri Modified BP-OSLA üçün Oviedo'da %2,9890, Knights Key'de %8,8166 və Miami'de %4,05307 kimi raporlandı. Model, bağımsız BPA və OSLA'dan daha aşağı xəta üretirken N-BEATS və N-HITS ilə benzer büyüklükte proqnoz hataları verdi və çok daha aşağı hesablama süreleri raporlandı. Bununla birlikte məlumat seti üç Florida serisiyle sınırlıdır; meteorolojik değişken kullanılmamıştır; mənbə həqiqi zamanlı 7 gün ileri açık çevrim tahmini ayrı kimi doğrulamamış və algoritmanın bazı çəki güncelleme denklemlerinde yeniden üretilebilirliği təsir edən iç tutarsızlıklar bırakmıştır.

Çalışmanın əsas fikri, karmaşık bir dərin öyrənmə modelinin temsil gücünü birbaşa taklit etmek yerine daha küçük bir ileri beslemeli sinir ağının öyrənmə biçimini değiştirmektir. Modified BP-OSLA, BP'nin çok katmanlı ağlarda hatayı geriye yayma yeteneğini OSLA'nın recursive least-squares tabanlı ölçeklenmiş güncellemeleriyle birleştiriyor. Buna ek kimi şəbəkə, yalnız tarixçə həqiqi güc değerlerine bakmıyor; kendi son tahminlerini de yeniden girişe vererek yaxın geçmişte yaptığı hatalardan yararlanabilecek bir geri besleme yapısı oluşturuyor.

Sonuçların en dikkat çekici tarafı yalnız proqnoz doğruluğu deyil. N-BEATS və N-HITS bazı sahalarda Modified BP-OSLA'dan daha aşağı xəta üretmesine rağmen Modified BP-OSLA üçün raporlanan eğitim+proqnoz süreleri 0,76–1,90 saniye aralığındadır; eyni karşılaştırmada N-BEATS 19,09–36,3 saniye, N-HITS isə 36,39–63,09 saniye gerektirmiştir. Bu nedenle tədqiqat “en doğru model” iddiasından çok, daha küçük bir ağın doğruluk–hesablama maliyeti dengesi baxımından rekabetçi olabileceğini desteklemektedir.

Tədqiqatın əsas problemi nədir?

Güneş PV üretimi gün içi ışınım değişiklikleri, bulut hareketleri və diğer çevresel etkiler nedeniyle zaman içində değişir. Elektrik sisteminde bu üretimin önceden proqnoz edilmesi; üretim planlaması, rezerv yönetimi və şebeke dengesi baxımından önem taşır. Çalışma xüsusilə ultra kısa dönemden daha uzun zaman pencerelerine qədər kullanılabilecek, eyni zamanda ağır dərin öyrənmə modellerine uyğun olaraq daha aşağı hesablama maliyetine sahip bir proqnoz yanaşması geliştirmeyi amaçlamaktadır.

Geleneksel Back-Propagation Algorithm (BPA), çok katmanlı ileri beslemeli ağları eğitebilir; fakat gradyan temelli çəki güncellemeleri yavaş yakınsayabilir və başlangıç koşullarına duyarlı ola bilər. OSLA isə recursive least-squares mantığıyla hızlı çevrimiçi güncelleme yapabilir, lakin klasik biçimi tek gizli katmanlı mimarilerle sınırlıdır. Modified BP-OSLA bu iki yaklaşımın özelliklerini tek ağda birleştirmeye işləyir.

Model nə üçün yalnız PV güc tarixçəsindən istifadə edir?

Model günəş ışınımı, ətraf mühit temperaturu və ya rüzgâr hızı kimi meteorolojik dəyişənləri giriş kimi kullanmaz. Girdi tamamen PV güc serisinin tarixçə değerlerinden oluşturulur. Böylece tədqiqat bir univariate forecasting, yani tek değişkenli zaman serisi tahmini kurulumunu değerlendirmektedir.

Bu seçim modelin məlumat gereksinimini azaltmaktadır; lakin eyni zamanda gelecekteki bulutluluk və ya ışınım değişiklikleri haqqında dış meteorolojik bilgi taşımadığı üçün proqnoz kapasitesinin yalnız güc serisinin kendi zamansal yapısıyla məhdud olduğu anlamına gelir. Özellikle Knights Key'deki keskin güc değişimlerinde bütün modellerin daha böyük xəta göstermesi bu yorum baxımından vacibdir.

Hansı gecikmiş qiymətlər seçildi?

Çalışma giriş seçimi üçün önceki araştırmadaki Autocorrelation Function (ACF) bulgularını Partial Autocorrelation Function (PACF) analiziyle tamamlamıştır. PACF, daha eski bir gecikmenin aradaki zaman noktalarının təsiri çıkarıldıktan sonra nə qədər bağımsız bilgi sağladığını ölçmektedir.

Beş dakikalık gecikme PACF=0,9977 ilə baskın girdidir. On dakikalık gecikmenin -0,5577 değerindeki negatif kısmi korelasyonu, bir önceki gecikmenin taşıdığı bilgiden bağımsız yönde düzeltici bilgi sağlayabileceğini göstərir. On beş dakikalık gecikmenin təsiri daha küçüktür. Yirmi dakikalık gecikme %95 güven sınırını aşmasına rağmen mənbə, %11,32 kimi verdiği göreli katkının ağın giriş boyutunu büyütmeyi haklı çıkarmadığına karar vermiştir.

Proqnozun əks əlaqəli giriş arxitekturası necə qurulur?

Modified BP-OSLA'nın özgün mimari değişikliklerinden biri yalnız tarixçə həqiqi ölçümleri deyil, ağın tarixçə tahminlerini de girişe eklemesidir. Mənbədə giriş vektörü:

\[ \mathbf a_0 = [1; \hat y_{t-5}; \hat y_{t-10}; \hat y_{t-15}; y_{t-5}; y_{t-10}; y_{t-15}] \]

kimi tanımlanmıştır. Buradaki 1 bias terimidir; \(\hat y\) tarixçə model tahminlerini, \(y\) isə tarixçə həqiqi güc değerlerini göstərir.

Gerçek tarixçə değerler mənbə tarafından series-parallel tanımlama yapısına, proqnoz geri beslemeleri isə parallel tanımlama yapısına benzetilmektedir. Gerçek değerlerin modele kararlı və ölçülmüş referans sağlaması, proqnoz değerlerinin isə ağın kendi yaxın dönem proqnoz davranışını modele geri taşıması amaçlanmaktadır.

Bu yapı mühüm bir yorum sınırı da oluşturur. Model ilerleyen her proqnoz adımında son həqiqi güc değerlerine erişiyorsa tədqiqat, tek bir başlangıç anında bütün gelecek haftayı bilmeden hesaplanan klasik “7 gün ileri açık çevrim” tahmininden ziyade bir haftalık test dönemi ərzində sürekli güncellenen kısa adımlı bir proqnoz düzenine daha yakındır. Mənbə bu ayrımı açık şəkildə çözümlememekte və ayrı proqnoz ufuklarına uyğun olaraq xəta tablosu vermemektedir.

Şəbəkənin arxitekturası nədir?

Modified BP-OSLA altı giriş, 30 nöronlu iki gizli katman və tek çıxış nöronundan ibarət olan 6:30:30:1 mimarisini kullanmaktadır. Gizli katmanlarda sigmoid aktivasyon, çıkışta doğrusal yapı istifadə olunur.

Şərti öyrənmə mexanizmi nə edir?

Her zaman adımında proqnoz hatası:

\[ e_k=y_k-y_{\mathcal N,k} \]

kimi hesablanır. Ağın ağırlıkları yalnız:

\[ |e_k|>\beta |y_k| \]

koşulu sağlandığında güncellenmektedir.

Mənbə bu yapıyı hedef değer çevresindeki bir “dead-zone” kimi tanımlar. Tahmin zaten hedefe yeterince yakınsa küçük artık hatalar üçün yeni çəki güncellemesi yapılmaz. Amaç recursive least-squares güncelleme kapasitesini həqiqətən yeni bilgi taşıyan örneklere ayırmak və kararlı durumdaki gereksiz çəki hareketlerini azaltmaktır.

Back-propagation hansı rolu oynayır?

Güncelleme koşulu sağlanırsa xəta şəbəkə ərzində geriye yayılır. Çalışmada duyarlılık terimleri:

\[ \delta_{3,k}=e_k \]

\[ \delta_{2,k} = (W_{3,k}^{T}\delta_{3,k}) \odot \sigma'(W_{2,k}\mu_{1,k}) \]

\[ \delta_{1,k} = (W_{2,k}^{T}\delta_{2,k}) \odot \sigma'(W_{1,k}\mu_{0,k}) \]

kimi verilir. \(\odot\), Hadamard çarpımını ifadə edir. Bu aşama BP'nin çok katmanlı şəbəkə içində hansı katmanın hataya nə ölçüde katkıda bulunduğunu hesaplayan bölümüdür.

OSLA-nın recursive least-squares miqyaslandırmasından necə istifadə olunur?

Mənbə, her gizli katman üçün ters kovaryans matrisi tanımlar:

\[ P_{j,k} = P_{j,k-1} - \frac{ P_{j,k-1}\mu_{j,k}\mu_{j,k}^{T}P_{j,k-1} }{ 1+\mu_{j,k}^{T}P_{j,k-1}\mu_{j,k} }, \qquad j=1,2 \]

Başlangıç değerleri:

\[ P_{1,0}=\frac{1}{\lambda}I_{m_1+1}, \qquad P_{2,0}=\frac{1}{\lambda}I_{m_2+1} \]

kimi verilir. Burada λ pozitif regularizasyon parametresi, I birim matrisidir.

Bu matrislerin amacı bütün çəki uzayına tek bir skaler adım büyüklüğü uygulamak yerine, daha əvvəl çok sayıda örnekle iyi öğrenilmiş yönlerde güncellemeyi küçültmek və daha az öğrenilmiş yönlerde daha böyük düzeltmeye izin vermektir.

Çəki yeniləmə düsturlarında mənbə nə deyir?

Mənbə “bütün üç katmanın ağırlıkları güncellenir” ifadesini kullanmasına rağmen hemen altında yalnız şu iki güncellemeyi açıkça yazmaktadır:

\[ W_{3,k+1} = W_{3,k} + l_r\delta_{3,k}\mu_{2,k}^{T}P_{2,k} \]

\[ W_{2,k+1} = W_{2,k} + l_r\delta_{2,k}\mu_{1,k}^{T}P_{1,k} \]

W₁ üçün karşılık gelen bir denklem eyni bölümde bulunmamaktadır. Ayrıca daha əvvəl W₁ və W₂'nin eğitim ərzində sabit tutulduğu, başka bir cümlede isə ikisinin de recursive least-squares ilə güncellendiği yazılmıştır. Bu nedenle bu makale W₁'in həqiqi uygulamadaki davranışını proqnoz ederek tamamlamamaktadır. Modelin bağımsız kimi yeniden üretilmesi baxımından bu noktanın yazar tarafından açıklığa kavuşturulması lazımdır.

PV məlumatları necə hazırlanmışdır?

Çalışmada üç Florida PV konumu istifadə edilmişdir. Mənbə məlumat, NREL Solar Power Data for Integration Studies məlumat setinden seçilmiştir. Seri 5 dakikalık çözünürlüğe sahiptir və yalnız 07.00–17.00 arasındaki gündüz saatleri korunmuştur.

Her saha üçün 30 gün eğitim və sonraki ayrı 7 günlük dönem test amacıyla istifadə edilmişdir. Eğitim və test aralarında birbaşa zaman örtüşmesini önlemek üçün boşluk bırakılmıştır.

Güç değerleri eğitim setinin maksimum değerine uyğun olaraq normalize edilmiştir:

\[ P_{\mathrm{norm}} = \frac{P}{P_{\max,\mathrm{train}}} \]

Böylece her sahanın eğitim zamanı gördüğü maksimum güc değeri ölçekleme referansı kimi istifadə edilmişdir.

Məlumatların real sahə ölçümü kimi şərh edilməsi düzgündürmü?

Mənbə metin 5 dakikalık məlumatları yer yer “measurements” və “realistic power output data” kimi nitelemektedir. Bununla birlikte məlumat kaynağının resmî açıklaması bunların 2006 hava koşullarını temsil etmek amacıyla entegrasyon çalışmaları üçün oluşturulmuş sentetik PV santral məlumatları olduğunu qeyd edir. Bu nedenle sonuçlar həqiqi bir PV santralinin canlı operasyon SCADA sisteminden elde edilmiş prospektif saha yoxlanılması kimi yorumlanmamalıdır.

Performans hansı meyarlarla qiymətləndirilmişdir?

Root Mean Square Error (RMSE), proqnoz ilə həqiqi değer arasındaki tipik xəta büyüklüğünü:

\[ RMSE= \sqrt{ \frac{ \sum_{i=1}^{N} (Y_{\mathrm{actual}}^{(i)}-Y_{\mathrm{predicted}}^{(i)})^2 }{N} } \]

şəklində ölçer.

Variance Accounted For (VAF):

\[ VAF= \left( 1- \frac{ \operatorname{var}(Y_{\mathrm{actual}}-Y_{\mathrm{predicted}}) }{ \operatorname{var}(Y_{\mathrm{actual}}) } \right)\times100 \]

kimi hesablanır. %100'e yaxın değerler proqnoz və həqiqi seri arasında daha yüksək uyumu ifadə edir.

Mean Absolute Percentage Error (MAPE) isə kaynakta:

\[ MAPE= \frac{100}{N} \sum_{h=1}^{N} \frac{ |Y_{\mathrm{actual}}-Y_{\mathrm{predicted}}| }{ Y_{\mathrm{actual}} } \]

şəklində verilir.

Mənbə həmçinin hesablama yükünü eğitim və test üçün geçen süreyle, yakınsama hızını isə VAF'ın %95 və ya üzrə çıkması üçün gereken zaman adımı sayısıyla değerlendirmektedir. Bütün hesaplamaların 8 GB belleğe sahip 1200 MHz Intel Core i3 işlemcide yapıldığı qeyd olunur.

Mənbə nə üçün həm MAPE, həm də WMAPE deyir?

Burada mühüm bir terminoloji sorunu vardır. Tablolar IV, V və VI performans değerlerini açıkça “MAPE” satırı altında verir. Aynı sayılar özet, Tablo VII və nəticə bölümünde “Weekly Mean Absolute Percentage Error (WMAPE)” kimi adlandırılmıştır. Mənbə WMAPE üçün MAPE'den müxtəlif ayrı bir ağırlıklı denklem sunmadığından, bu iki adlandırmanın həqiqətən müxtəlif metrikleri temsil edip etmediği doğrulanamamaktadır.

Bu nedenle aşağıdaki sonuçlarda değerler değiştirilmeden verilecek; fakat “kaynakta MAPE/WMAPE kimi müxtəlif adlandırılan haftalık yüzde xəta” ifadesi kullanılacaktır.

Tədqiqatın metodu və nəticələri

Modified BP-OSLA müstəqil BPA və OSLA ilə müqayisədə necə nəticə göstərdi?

Ham tablolar baxımından nəticə açıktır: Modified BP-OSLA üç sahanın tamamında hem BPA hem OSLA'dan daha aşağı RMSE və yüzde xəta, daha yüksək VAF üretmiştir. Ayrıca üç sahada da VAF≥%95 yakınsama eşiğine 1000 zaman adımında ulaşmıştır.

Knights Key bütün yöntemler üçün en zor seri olmuştur. Modified BP-OSLA burada VAF=%98,1276 və yüzde xəta 8,8166 elde ederken Oviedo və Miami'de VAF %99,5'in üzerindedir.

Mənbə sayfa 26'da bu tablolardan türetildiği belirtilen bazı yüzde “iyileştirme” nisbətləri vermektedir; lakin bildirilen oranlar ham cədvəl değerlerinden yapılan birbaşa karşılaştırmayla uyuşmadığından burada tekrarlanmamıştır. Bilimsel karşılaştırmanın güvenilir kaynağı kimi birbaşa Tablolar IV–VI'daki değerler istifadə edilmişdir.

Həqiqi və proqnozlaşdırılan güc əyriləri nəyi göstərir?

Mənbənin Şəkil 4–6'sında yedi günlük test dönemlerinin həqiqi və proqnoz edilen 5 dakikalık güc eğrileri yan yana verilir. Oviedo və Miami'de Modified BP-OSLA eğrisi həqiqi güc profilini yakından izler. Knights Key'de isə xüsusilə keskin tepe bölgelerinde daha aydın sapmalar görülür.

Bu görsel bulgu performans tablolarıyla uyumludur: Knights Key'de yalnız Modified BP-OSLA deyil, BPA və OSLA'nın da RMSE və yüzde xəta değerleri diğer iki sahadan daha yüksektir. Dolayısıyla kaynakta bu sahanın daha değişken və tahmini zor bir seri olduğu yorumu yapılmaktadır.

Dərin öyrənmə modelləri ilə müqayisədə ən aşağı xəta kimdədir?

Modified BP-OSLA, N-BEATS və N-HITS karşılaştırmasında bütün sahalarda mutlak en aşağı hatayı üretmemiştir. Bu ayrım vacibdir.

Oviedo'da N-HITS 2,9456 ilə Modified BP-OSLA'nın 2,9890 değerinden biraz daha aşağı xəta üretirken N-BEATS 3,0370 ilə biraz daha yüksək xəta vermiştir. Knights Key'de N-BEATS və N-HITS sırasıyla 7,6680 və 7,8290 ilə Modified BP-OSLA'nın 8,8166 değerinden daha iyi performans göstermiştir. Miami'de de N-HITS və N-BEATS təxminən 3,74–3,76 ilə Modified BP-OSLA'nın 4,05307 değerinin altındadır.

Dolayısıyla tədqiqat Modified BP-OSLA'nın dərin ağlardan genel kimi daha doğru olduğunu göstermemektedir. Desteklenen nəticə, çok daha küçük və hızlı bir yapı kullanırken üç sahada dərin modellerle eyni büyüklük mertebesinde proqnoz hatası elde etmesidir.

Hesablama xərclərindəki fərq nə qədər böyükdür?

Bu karşılaştırmada Modified BP-OSLA'nın əsas avantajı belirginleşmektedir. Üç sahadaki mənbə değerleri 0,76–1,90 saniye aralığında kalırken N-BEATS 19,09–36,30 saniye, N-HITS 36,39–63,09 saniye aralığındadır.

Mənbə bu fərqi təxminən bir–iki büyüklük mertebesi daha aşağı hesablama maliyeti kimi yorumlamaktadır. Ancak bu süreler tədqiqatda kullanılan Intel Core i3 1200 MHz və 8 GB bellek ortamına aittir; müxtəlif donanımlar üçün mutlak saniye değerleri birbaşa genellenemez.

Daha az təlim məlumatından istifadə iddiası nə dərəcədə aydındır?

Modified BP-OSLA her saha üçün 30 günlük eğitim verisi kullanmıştır. Mənbə, literatürdeki BP-SFLA-ANN, SFLA-ANN, GA-ANN və Classic BP-ANN karşılaştırmalarının daha uzun eğitim verisi kullandığını belirterek məlumat verimliliği avantajı ileri sürmektedir.

Ancak metin bu məlumat miktarını bir yerde 45 gün, başka bölümlerde 46 gün kimi vermektedir. Dolayısıyla “%33 daha az məlumat” ifadesi tek anlamlı bir referans süreyle desteklenmemektedir. Güvenilir şəkildə söylenebilen şey, bu tədqiqat üçün eğitim süresinin 30 gün olduğu və karşılaştırma çalışmalarının mənbə içində 45/46 gün kimi raporlandığıdır.

Hiperparametrlər dəyişdikdə nəticələr sabit qalırmı?

Öğrenme nisbəti \(l_r=0,7\) və öyrənmə eşiği \(\beta=0,0001\) əsas ayarları ayrı ayrı ±%5 və ±%10 değiştirilmiştir. Mənbədə raporlanan WMAPE değerleri üç sahada da küçük değişimler göstermiştir.

Mənbə bu değişimlerin WMAPE üzərində %1'den küçük təsir oluşturduğunu və xüsusilə β eşiğinin küçük değişimlere çok aşağı hassasiyet gösterdiğini qeyd edir. Hesaplama süreleri de ±%10 hiperparametre değişimlerinde böyük ölçüde sabit kalmıştır.

“Çoxüfüqlü” proqnoz iddiasının həddi nədir?

Çalışma başlığı və özet, yöntemi intra-hour seviyesinden week-ahead seviyesine qədər “multi-horizon” kimi tanımlar. Bununla birlikte nəticə tablolarında 5 dakika ileri, 15 dakika ileri, 1 saat ileri, 1 gün ileri və 7 gün ileri kimi ayrı proqnoz ufuklarının hataları verilmemektedir.

Dahası, ağın girişinde son üç həqiqi ölçü \(y_{t-5},y_{t-10},y_{t-15}\) mövcuddur. Eğer test süresince bu həqiqi ölçümler her yeni 5 dakikalık adımda güncelleniyorsa model, sürekli kayan kısa-vadeli proqnoz üretmektedir. Mənbə bunun tek bir başlangıç noktasından gelecek yedi günün tamamını önceden üreten açık çevrim tahminle eşdeğerliğini göstermemektedir.

Bu nedenle tədqiqatın birbaşa desteklediği nəticə, modelin 7 günlük görünmeyen test serisi ərzində 5 dakikalık çözünürlükte çalıştırılabilmesidir. Gerçek “7 gün önceden yayınlanan hafta-ahead proqnoz” performansı üçün həmçinin proqnoz-ufku bazlı yoxlama lazımdır.

Tədqiqatın dəstəklədiyi nəticələr

• Modified BP-OSLA, üç incelenen PV serisinin tamamında bağımsız BPA və OSLA'dan daha aşağı RMSE və yüzde xəta üretmiştir.
• Üç sahada da VAF≥%95 yakınsama eşiğine kaynakta 1000 zaman adımında ulaştığı raporlanmıştır.
• Modified BP-OSLA'nın proqnoz hataları N-BEATS və N-HITS ilə eyni genel büyüklük aralığındadır; fakat dərin modeller bazı sahalarda daha aşağı xəta üretmiştir.
• Modified BP-OSLA üçün raporlanan hesablama süreleri dərin modellerin karşılaştırma sürelerinden aydın şəkildə daha düşüktür.
• Öğrenme nisbəti və öyrənmə eşiğinin ±%10 değişimi üç test serisinde raporlanan xəta değerlerini məhdud ölçüde değiştirmiştir.
• Tahmin geri beslemeli giriş yapısı həqiqi və tarixçə proqnoz değerlerini eyni model girdisinde birleştirmektedir.

Tədqiqatın göstərmədiyi və ya tam izah etmədiyi məqamlar

• Model bütün coğrafyalarda, iklimlerde və ya PV teknolojilerinde eyni doğruluğa sahip olduğunu göstermemektedir.
• Üç məlumat serisinin xaricində bağımsız coğrafi dış yoxlama yapılmamıştır.
• Meteorolojik değişkenler modele daxil edilmemiştir.
• Ayrı proqnoz ufukları üçün horizon-specific xəta eğrileri raporlanmamıştır.
• Gerçek bir işletme sisteminde çevrimiçi saha uygulaması gösterilmemiştir.
• W1 ağırlığının eğitim zamanı necə ele alındığı mənbə metinde tek anlamlı şəkildə tanımlanmamıştır.
• MAPE və WMAPE terimlerinin kaynakta nə üçün eyni sayılar üçün değişimli kullanıldığı açıklanmamıştır.
• Səhifə 26'daki bazı yüzde iyileştirme nisbətləri ham performans tablolarıyla aritmetik kimi uyumlu görünmemektedir.
• Çalışma olasılıksal proqnoz aralıkları və ya proqnoz belirsizliği kalibrasyonu sunmamaktadır.

Türkiye baxımından yorum: Çalışma Türkiye'deki bir PV santralinden alınmış veriyle yürütülmemiştir. Yöntemin Türkiye'de kullanılabilmesi üçün yerel güneşlenme yapısı, hızlı bulut geçişleri, mevsimsel üretim profilleri, santral teknolojisi, inverter sınırları və BMS/SCADA örnekleme yapısıyla həmçinin doğrulanması lazımdır. Özellikle yalnız tarixçə güc değerlerine dayanan tek değişkenli yapı, müxtəlif meteorolojik rejimlerde eyni xəta düzeyini garanti etmez. Dolayısıyla çalışmadaki %2,9890–%8,8166 aralığındaki xəta değerleri Türkiye'deki bir santral üçün birbaşa performans beklentisi kimi kullanılmamalıdır.

Mənbə və metod qeydi

Tam özgün tədqiqat adı: A Novel Hybrid Learning Algorithm for Multi-Horizon Solar PV Power Forecasting and Benchmarking with Deep Feed Forward Networks

Yazarlar — əsas PDF sırası: Divyam Mandradia, Rahul Yadav.

Eş katkı / eş birinci yazar: Mənbədə belirtilmemiştir.

Sorumlu yazar: Rahul Yadav, PhD. PDF'de yıldız işareti və “Corresponding Author” ifadesiyle belirtilmiştir.

Kurum: Energy Systems Simulation Lab, Defence Institute of Advanced Technology (DIAT), Pune 411025, India.

DOI: 10.2139/ssrn.7198439

Platform: SSRN.

Resmî kayıt: SSRN Abstract 7198439.

SSRN yayın tarihi: 28 Temmuz 2026.

Dergi / cilt / sayı: İncelenen sürüm üçün hakemli dergi, cilt və ya sayı bilgisi doğrulanmamıştır.

Mənbə türü və hakemlik: Bu tədqiqat hakem değerlendirmesinden geçmemiş bir preprinttir; nəticələri bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Bibliyografik yazar sırası notu: Temel PDF Divyam Mandradia, Rahul Yadav sırasını kullanırken SSRN'nin bibliyografik kayıt ekranı Rahul Yadav, Divyam Mandradia sırasını vermektedir. Bu Verianla makalesinde əsas PDF'nin görünür yazar sırası korunmuştur.

Lisans: SSRN kaydında açık Creative Commons lisansı bulunmamaktadır və izinsiz yeniden kullanıma izin verilmediği qeyd olunur. Mənbə şekilleri bu səbəbdən birbaşa kopyalanmamış; Verianla Live yapıları kaynakta raporlanan sayılar və süreçlerden özgün kimi oluşturulmuştur.

Finansman: İncelenen kaynakta ayrı bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmektedir.

CRediT / yazar katkıları: Ayrı bir CRediT və ya ayrıntılı yazar katkı beyanı bulunmamaktadır.

Veri erişilebilirliği: Mənbə, kullanılan verinin NREL Solar Power Data for Integration Studies üzerinden kamuya açık olduğunu qeyd edir. PDF'de məlumat adresinin alan adı “nlr” şəklində yazılmıştır. Resmî NREL kaydı Solar Power Data for Integration Studies məlumat setini 2006'yı temsil eden sentetik PV santral məlumatları kimi tanımlar.

Veri niteliğine ilişkin not: Mənbə makale məlumatları bazı bölümlerde “measurements” və “realistic power output data” kimi adlandırmaktadır. NREL'in resmî məlumat açıklamasında isə bunlar entegrasyon çalışmaları üçün üretilmiş sentetik PV güc verileridir. Bu nedenle Verianla metni məlumatları həqiqi çalışan üç Florida santralinden alınmış canlı ölçü verisi kimi sunmamaktadır.

MAPE / WMAPE notu: Mənbə Tablolar IV–VI'da 2,9890, 8,8166 və 4,05307 değerlerini MAPE kimi, özet və Tablo VII'de isə eyni değerleri WMAPE kimi adlandırmaktadır. WMAPE üçün ayrı bir denklem verilmediğinden iki adlandırma sessizce eşitlenmemiştir.

Yüzde iyileştirme notu: Mənbənin sayfa 26'da verdiği BPA və OSLA'ya uyğun olaraq WMAPE iyileştirme yüzdeleri Tablolar IV–VI'daki ham değerlerle birbaşa uyuşmamaktadır. Mənbə xüsusi bir alternatif hesablama yöntemi açıklamadığından bu oranlar əsas elmi nəticə olaraq kullanılmamıştır.

Eğitim süresi karşılaştırma notu: Mənbə, karşılaştırmalı ANN modellerinin eğitim verisini bir bölümde 45 gün, başka bölümlerde 46 gün kimi vermektedir. Modified BP-OSLA üçün kullanılan süre açık şəkildə 30 gündür.

Hesaplama süresi notu: Tablo VIII Modified BP-OSLA üçün Oviedo, Knights Key və Miami'de sırasıyla 1,90, 0,92 və 0,76 saniye vermektedir. Sonuç bölümündeki “ortalama təxminən 0,8 saniye” ifadesi bu ham değerlerle sessizce uzlaştırılmamıştır.

Algoritma yeniden üretilebilirliği notu: Mənbənin BP-OSLA tanımında W1 və W2'nin bir yerde eğitim ərzində sabit tutulduğu, başka yerde RLS ilə güncellendiği qeyd olunur. Modified BP-OSLA bölümünde “bütün üç katmanın” güncellendiği yazılmasına karşın Denklem 5 yalnız W3 və W2 güncellemelerini göstərir. W1 üçün açık güncelleme denklemi bulunmadığından bu makale eksik adımı proqnoz ederek tamamlamamıştır.

Çok-ufuklu proqnoz sınırı: Çalışma yedi günlük görünmeyen test periyodunda 5 dakikalık çözünürlükte proqnoz yapmaktadır; lakin ayrı proqnoz ufukları üçün xəta değerleri sunmamaktadır. Girdi vektöründe tarixçə həqiqi ölçümlerin bulunması nedeniyle sunulan testin tek bir başlangıç noktasından yapılan həqiqi 7-gün-ahead açık çevrim tahminle eşdeğerliği kaynakta gösterilmemiştir.

Bilimsel mənbə sınırı: Bu Verianla makalesindeki alqoritm yapısı, denklemler, PACF değerleri, şəbəkə mimarileri, eğitim/test dönemleri, performans değerleri, dərin model karşılaştırmaları və hiperparametre duyarlılık nəticələri yüklenen 39 sayfalık əsas çalışmaya dayanmaktadır. Dış yoxlama yalnız SSRN bibliyografik kimliği, yayın tarihi, lisans və NREL məlumat kaynağının resmî niteliğini kontrol etmek üçün istifadə edilmişdir.