Araştırma, yalnız geçmiş fotovoltaik güç değerlerini kullanarak 5 dakikalık çözünürlükte güneş PV güç tahmini yapmak için Back-Propagation (BP) ile Online Sequential Learning Algorithm (OSLA) yaklaşımlarını birleştiren Modified BP-OSLA adlı hibrit bir öğrenme algoritması geliştiriyor. Model; üç gecikmeli gerçek güç değerini üç gecikmeli tahmin değeriyle birleştiren altı girdili bir yapı, hata belirli bir eşiği aştığında devreye giren koşullu ağırlık güncellemesi ve küresel öğrenme oranı kullanıyor. Üç Florida PV veri serisinde 30 günlük eğitim ve 7 günlük görünmeyen test döneminde kaynakta haftalık MAPE/WMAPE olarak farklı biçimlerde adlandırılan hata değerleri Modified BP-OSLA için Oviedo'da %2,9890, Knights Key'de %8,8166 ve Miami'de %4,05307 olarak raporlandı. Model, bağımsız BPA ve OSLA'dan daha düşük hata üretirken N-BEATS ve N-HITS ile benzer büyüklükte tahmin hataları verdi ve çok daha düşük hesaplama süreleri raporlandı. Bununla birlikte veri seti üç Florida serisiyle sınırlıdır; meteorolojik değişken kullanılmamıştır; kaynak gerçek zamanlı 7 gün ileri açık çevrim tahmini ayrı olarak doğrulamamış ve algoritmanın bazı ağırlık güncelleme denklemlerinde yeniden üretilebilirliği etkileyen iç tutarsızlıklar bırakmıştır.

Çalışmanın temel fikri, karmaşık bir derin öğrenme modelinin temsil gücünü doğrudan taklit etmek yerine daha küçük bir ileri beslemeli sinir ağının öğrenme 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 olarak ağ, yalnız geçmiş gerçek güç değerlerine bakmıyor; kendi son tahminlerini de yeniden girişe vererek yakın geçmişte yaptığı hatalardan yararlanabilecek bir geri besleme yapısı oluşturuyor.

Sonuçların en dikkat çekici tarafı yalnız tahmin doğruluğu değildir. N-BEATS ve N-HITS bazı sahalarda Modified BP-OSLA'dan daha düşük hata üretmesine rağmen Modified BP-OSLA için raporlanan eğitim+tahmin süreleri 0,76–1,90 saniye aralığındadır; aynı karşılaştırmada N-BEATS 19,09–36,3 saniye, N-HITS ise 36,39–63,09 saniye gerektirmiştir. Bu nedenle çalışma “en doğru model” iddiasından çok, daha küçük bir ağın doğruluk–hesaplama maliyeti dengesi açısından rekabetçi olabileceğini desteklemektedir.

Araştırmanın temel problemi nedir?

Güneş PV üretimi gün içi ışınım değişiklikleri, bulut hareketleri ve diğer çevresel etkiler nedeniyle zaman içinde değişir. Elektrik sisteminde bu üretimin önceden tahmin edilmesi; üretim planlaması, rezerv yönetimi ve şebeke dengesi açısından önem taşır. Çalışma özellikle ultra kısa dönemden daha uzun zaman pencerelerine kadar kullanılabilecek, aynı zamanda ağır derin öğrenme modellerine göre daha düşük hesaplama maliyetine sahip bir tahmin yaklaşımı geliştirmeyi amaçlamaktadır.

Geleneksel Back-Propagation Algorithm (BPA), çok katmanlı ileri beslemeli ağları eğitebilir; fakat gradyan temelli ağırlık güncellemeleri yavaş yakınsayabilir ve başlangıç koşullarına duyarlı olabilir. OSLA ise recursive least-squares mantığıyla hızlı çevrimiçi güncelleme yapabilir, ancak klasik biçimi tek gizli katmanlı mimarilerle sınırlıdır. Modified BP-OSLA bu iki yaklaşımın özelliklerini tek ağda birleştirmeye çalışmaktadır.

Model neden yalnız PV güç geçmişini kullanıyor?

Model güneş ışınımı, ortam sıcaklığı veya rüzgâr hızı gibi meteorolojik değişkenleri giriş olarak kullanmaz. Girdi tamamen PV güç serisinin geçmiş değerlerinden oluşturulur. Böylece çalışma bir univariate forecasting, yani tek değişkenli zaman serisi tahmini kurulumunu değerlendirmektedir.

Bu seçim modelin veri gereksinimini azaltmaktadır; ancak aynı zamanda gelecekteki bulutluluk veya ışınım değişiklikleri hakkında dış meteorolojik bilgi taşımadığı için tahmin kapasitesinin yalnız güç serisinin kendi zamansal yapısıyla sınırlı olduğu anlamına gelir. Özellikle Knights Key'deki keskin güç değişimlerinde bütün modellerin daha büyük hata göstermesi bu yorum açısından önemlidir.

Hangi gecikmeli değerler seçildi?

Çalışma giriş seçimi için önceki araştırmadaki Autocorrelation Function (ACF) bulgularını Partial Autocorrelation Function (PACF) analiziyle tamamlamıştır. PACF, daha eski bir gecikmenin aradaki zaman noktalarının etkisi çıkarıldıktan sonra ne kadar bağımsız bilgi sağladığını ölçmektedir.

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

Tahmin geri beslemeli giriş mimarisi nasıl kuruluyor?

Modified BP-OSLA'nın özgün mimari değişikliklerinden biri yalnız geçmiş gerçek ölçümleri değil, ağın geçmiş tahminlerini de girişe eklemesidir. Kaynakta giriş vektörü:

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

olarak tanımlanmıştır. Buradaki 1 bias terimidir; \(\hat y\) geçmiş model tahminlerini, \(y\) ise geçmiş gerçek güç değerlerini göstermektedir.

Gerçek geçmiş değerler kaynak tarafından series-parallel tanımlama yapısına, tahmin geri beslemeleri ise parallel tanımlama yapısına benzetilmektedir. Gerçek değerlerin modele kararlı ve ölçülmüş referans sağlaması, tahmin değerlerinin ise ağın kendi yakın dönem tahmin davranışını modele geri taşıması amaçlanmaktadır.

Bu yapı önemli bir yorum sınırı da oluşturur. Model ilerleyen her tahmin adımında son gerçek güç değerlerine erişiyorsa çalışma, tek bir başlangıç anında tüm gelecek haftayı bilmeden hesaplanan klasik “7 gün ileri açık çevrim” tahmininden ziyade bir haftalık test dönemi boyunca sürekli güncellenen kısa adımlı bir tahmin düzenine daha yakındır. Kaynak bu ayrımı açık biçimde çözümlememekte ve ayrı tahmin ufuklarına göre hata tablosu vermemektedir.

Ağın mimarisi nedir?

Modified BP-OSLA altı giriş, 30 nöronlu iki gizli katman ve tek çıkış nöronundan oluşan 6:30:30:1 mimarisini kullanmaktadır. Gizli katmanlarda sigmoid aktivasyon, çıkışta doğrusal yapı kullanılmaktadır.

Koşullu öğrenme mekanizması ne yapıyor?

Her zaman adımında tahmin hatası:

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

olarak hesaplanır. Ağın ağırlıkları yalnız:

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

koşulu sağlandığında güncellenmektedir.

Kaynak bu yapıyı hedef değer çevresindeki bir “dead-zone” olarak tanımlar. Tahmin zaten hedefe yeterince yakınsa küçük artık hatalar için yeni ağırlık güncellemesi yapılmaz. Amaç recursive least-squares güncelleme kapasitesini gerçekten yeni bilgi taşıyan örneklere ayırmak ve kararlı durumdaki gereksiz ağırlık hareketlerini azaltmaktır.

Back-propagation hangi rolü üstleniyor?

Güncelleme koşulu sağlanırsa hata ağ boyunca geriye yayılır. Çalışmada duyarlılık terimleri:

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

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

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

olarak verilmektedir. \(\odot\), Hadamard çarpımını ifade eder. Bu aşama BP'nin çok katmanlı ağ içinde hangi katmanın hataya ne ölçüde katkıda bulunduğunu hesaplayan bölümüdür.

OSLA'nın recursive least-squares ölçeklemesi nasıl kullanılıyor?

Kaynak, her gizli katman için 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:

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

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

Bu matrislerin amacı bütün ağırlık uzayına tek bir skaler adım büyüklüğü uygulamak yerine, daha önce çok sayıda örnekle iyi öğrenilmiş yönlerde güncellemeyi küçültmek ve daha az öğrenilmiş yönlerde daha büyük düzeltmeye izin vermektir.

Ağırlık güncelleme formüllerinde kaynak ne söylüyor?

Kaynak “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 için karşılık gelen bir denklem aynı bölümde bulunmamaktadır. Ayrıca daha önce W₁ ve W₂'nin eğitim boyunca sabit tutulduğu, başka bir cümlede ise ikisinin de recursive least-squares ile güncellendiği yazılmıştır. Bu nedenle bu makale W₁'in gerçek uygulamadaki davranışını tahmin ederek tamamlamamaktadır. Modelin bağımsız olarak yeniden üretilmesi açısından bu noktanın yazar tarafından açıklığa kavuşturulması gerekir.

PV verileri nasıl hazırlanmış?

Çalışmada üç Florida PV konumu kullanılmıştır. Kaynak veri, NREL Solar Power Data for Integration Studies veri setinden seçilmiştir. Seri 5 dakikalık çözünürlüğe sahiptir ve yalnız 07.00–17.00 arasındaki gündüz saatleri korunmuştur.

Her saha için 30 gün eğitim ve sonraki ayrı 7 günlük dönem test amacıyla kullanılmıştır. Eğitim ve test aralarında doğrudan zaman örtüşmesini önlemek için boşluk bırakılmıştır.

Güç değerleri eğitim setinin maksimum değerine göre normalize edilmiştir:

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

Böylece her sahanın eğitim sırasında gördüğü maksimum güç değeri ölçekleme referansı olarak kullanılmıştır.

Verinin gerçek saha ölçümü olarak yorumlanması doğru mu?

Kaynak metin 5 dakikalık verileri yer yer “measurements” ve “realistic power output data” olarak nitelemektedir. Bununla birlikte veri kaynağının resmî açıklaması bunların 2006 hava koşullarını temsil etmek amacıyla entegrasyon çalışmaları için oluşturulmuş sentetik PV santral verileri olduğunu belirtmektedir. Bu nedenle sonuçlar gerçek bir PV santralinin canlı operasyon SCADA sisteminden elde edilmiş prospektif saha doğrulaması olarak yorumlanmamalıdır.

Performans hangi ölçütlerle değerlendirilmiş?

Root Mean Square Error (RMSE), tahmin ile gerçek değer arasındaki tipik hata büyüklüğünü:

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

şeklinde ölçer.

Variance Accounted For (VAF):

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

olarak hesaplanır. %100'e yakın değerler tahmin ve gerçek seri arasında daha yüksek uyumu temsil eder.

Mean Absolute Percentage Error (MAPE) ise kaynakta:

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

şeklinde verilmektedir.

Kaynak ayrıca hesaplama yükünü eğitim ve test için geçen süreyle, yakınsama hızını ise VAF'ın %95 veya üzerine çıkması için gereken zaman adımı sayısıyla değerlendirmektedir. Bütün hesaplamaların 8 GB belleğe sahip 1200 MHz Intel Core i3 işlemcide yapıldığı belirtilmektedir.

Kaynak neden hem MAPE hem WMAPE diyor?

Burada önemli bir terminoloji sorunu vardır. Tablolar IV, V ve VI performans değerlerini açıkça “MAPE” satırı altında verir. Aynı sayılar özet, Tablo VII ve sonuç bölümünde “Weekly Mean Absolute Percentage Error (WMAPE)” olarak adlandırılmıştır. Kaynak WMAPE için MAPE'den farklı ayrı bir ağırlıklı denklem sunmadığından, bu iki adlandırmanın gerçekten farklı metrikleri temsil edip etmediği doğrulanamamaktadır.

Bu nedenle aşağıdaki sonuçlarda değerler değiştirilmeden verilecek; fakat “kaynakta MAPE/WMAPE olarak farklı adlandırılan haftalık yüzde hata” ifadesi kullanılacaktır.

Çalışmanın Yöntemi ve Bulguları

Modified BP-OSLA bağımsız BPA ve OSLA'ya karşı nasıl performans gösterdi?

Ham tablolar açısından sonuç açıktır: Modified BP-OSLA üç sahanın tamamında hem BPA hem OSLA'dan daha düşük RMSE ve yüzde hata, daha yüksek VAF üretmiştir. Ayrıca üç sahada da VAF≥%95 yakınsama eşiğine 1000 zaman adımında ulaşmıştır.

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

Kaynak sayfa 26'da bu tablolardan türetildiği belirtilen bazı yüzde “iyileştirme” oranları vermektedir; ancak bildirilen oranlar ham tablo değerlerinden yapılan doğrudan karşılaştırmayla uyuşmadığından burada tekrarlanmamıştır. Bilimsel karşılaştırmanın güvenilir kaynağı olarak doğrudan Tablolar IV–VI'daki değerler kullanılmıştır.

Gerçek ve tahmin edilen güç eğrileri ne gösteriyor?

Kaynağın Şekil 4–6'sında yedi günlük test dönemlerinin gerçek ve tahmin edilen 5 dakikalık güç eğrileri yan yana verilmektedir. Oviedo ve Miami'de Modified BP-OSLA eğrisi gerçek güç profilini yakından izler. Knights Key'de ise özellikle keskin tepe bölgelerinde daha belirgin sapmalar görülür.

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

Derin öğrenme modelleriyle karşılaştırıldığında en düşük hata kimde?

Modified BP-OSLA, N-BEATS ve N-HITS karşılaştırmasında bütün sahalarda mutlak en düşük hatayı üretmemiştir. Bu ayrım önemlidir.

Oviedo'da N-HITS 2,9456 ile Modified BP-OSLA'nın 2,9890 değerinden biraz daha düşük hata üretirken N-BEATS 3,0370 ile biraz daha yüksek hata vermiştir. Knights Key'de N-BEATS ve N-HITS sırasıyla 7,6680 ve 7,8290 ile Modified BP-OSLA'nın 8,8166 değerinden daha iyi performans göstermiştir. Miami'de de N-HITS ve N-BEATS yaklaşık 3,74–3,76 ile Modified BP-OSLA'nın 4,05307 değerinin altındadır.

Dolayısıyla çalışma Modified BP-OSLA'nın derin ağlardan genel olarak daha doğru olduğunu göstermemektedir. Desteklenen sonuç, çok daha küçük ve hızlı bir yapı kullanırken üç sahada derin modellerle aynı büyüklük mertebesinde tahmin hatası elde etmesidir.

Hesaplama maliyetindeki fark ne kadar büyük?

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

Kaynak bu farkı yaklaşık bir–iki büyüklük mertebesi daha düşük hesaplama maliyeti olarak yorumlamaktadır. Ancak bu süreler çalışmada kullanılan Intel Core i3 1200 MHz ve 8 GB bellek ortamına aittir; farklı donanımlar için mutlak saniye değerleri doğrudan genellenemez.

Daha az eğitim verisi kullandığı iddiası ne kadar açık?

Modified BP-OSLA her saha için 30 günlük eğitim verisi kullanmıştır. Kaynak, literatürdeki BP-SFLA-ANN, SFLA-ANN, GA-ANN ve Classic BP-ANN karşılaştırmalarının daha uzun eğitim verisi kullandığını belirterek veri verimliliği avantajı ileri sürmektedir.

Ancak metin bu veri miktarını bir yerde 45 gün, başka bölümlerde 46 gün olarak vermektedir. Dolayısıyla “%33 daha az veri” ifadesi tek anlamlı bir referans süreyle desteklenmemektedir. Güvenilir biçimde söylenebilen şey, bu çalışma için eğitim süresinin 30 gün olduğu ve karşılaştırma çalışmalarının kaynak içinde 45/46 gün olarak raporlandığıdır.

Hiperparametreler değiştiğinde sonuçlar kararlı mı?

Öğrenme oranı \(l_r=0,7\) ve öğrenme eşiği \(\beta=0,0001\) temel ayarları ayrı ayrı ±%5 ve ±%10 değiştirilmiştir. Kaynakta raporlanan WMAPE değerleri üç sahada da küçük değişimler göstermiştir.

Kaynak bu değişimlerin WMAPE üzerinde %1'den küçük etki oluşturduğunu ve özellikle β eşiğinin küçük değişimlere çok düşük hassasiyet gösterdiğini belirtmektedir. Hesaplama süreleri de ±%10 hiperparametre değişimlerinde büyük ölçüde sabit kalmıştır.

“Çok ufuklu” tahmin iddiasının sınırı nedir?

Çalışma başlığı ve özet, yöntemi intra-hour seviyesinden week-ahead seviyesine kadar “multi-horizon” olarak tanımlar. Bununla birlikte sonuç tablolarında 5 dakika ileri, 15 dakika ileri, 1 saat ileri, 1 gün ileri ve 7 gün ileri gibi ayrı tahmin ufuklarının hataları verilmemektedir.

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

Bu nedenle çalışmanın doğrudan desteklediği sonuç, modelin 7 günlük görünmeyen test serisi boyunca 5 dakikalık çözünürlükte çalıştırılabilmesidir. Gerçek “7 gün önceden yayınlanan hafta-ahead tahmin” performansı için ayrıca tahmin-ufku bazlı doğrulama gerekir.

Çalışmanın desteklediği sonuçlar

• Modified BP-OSLA, üç incelenen PV serisinin tamamında bağımsız BPA ve OSLA'dan daha düşük RMSE ve yüzde hata üretmiştir.
• Üç sahada da VAF≥%95 yakınsama eşiğine kaynakta 1000 zaman adımında ulaştığı raporlanmıştır.
• Modified BP-OSLA'nın tahmin hataları N-BEATS ve N-HITS ile aynı genel büyüklük aralığındadır; fakat derin modeller bazı sahalarda daha düşük hata üretmiştir.
• Modified BP-OSLA için raporlanan hesaplama süreleri derin modellerin karşılaştırma sürelerinden belirgin biçimde daha düşüktür.
• Öğrenme oranı ve öğrenme eşiğinin ±%10 değişimi üç test serisinde raporlanan hata değerlerini sınırlı ölçüde değiştirmiştir.
• Tahmin geri beslemeli giriş yapısı gerçek ve geçmiş tahmin değerlerini aynı model girdisinde birleştirmektedir.

Çalışmanın göstermediği veya tam olarak açıklamadığı noktalar

• Model bütün coğrafyalarda, iklimlerde veya PV teknolojilerinde aynı doğruluğa sahip olduğunu göstermemektedir.
• Üç veri serisinin dışında bağımsız coğrafi dış doğrulama yapılmamıştır.
• Meteorolojik değişkenler modele dahil edilmemiştir.
• Ayrı tahmin ufukları için horizon-specific hata eğrileri raporlanmamıştır.
• Gerçek bir işletme sisteminde çevrimiçi saha uygulaması gösterilmemiştir.
• W1 ağırlığının eğitim sırasında nasıl ele alındığı kaynak metinde tek anlamlı biçimde tanımlanmamıştır.
• MAPE ve WMAPE terimlerinin kaynakta neden aynı sayılar için değişimli kullanıldığı açıklanmamıştır.
• Sayfa 26'daki bazı yüzde iyileştirme oranları ham performans tablolarıyla aritmetik olarak uyumlu görünmemektedir.
• Çalışma olasılıksal tahmin aralıkları veya tahmin belirsizliği kalibrasyonu sunmamaktadır.

Türkiye açısından yorum: Çalışma Türkiye'deki bir PV santralinden alınmış veriyle yürütülmemiştir. Yöntemin Türkiye'de kullanılabilmesi için yerel güneşlenme yapısı, hızlı bulut geçişleri, mevsimsel üretim profilleri, santral teknolojisi, inverter sınırları ve BMS/SCADA örnekleme yapısıyla ayrıca doğrulanması gerekir. Özellikle yalnız geçmiş güç değerlerine dayanan tek değişkenli yapı, farklı meteorolojik rejimlerde aynı hata düzeyini garanti etmez. Dolayısıyla çalışmadaki %2,9890–%8,8166 aralığındaki hata değerleri Türkiye'deki bir santral için doğrudan performans beklentisi olarak kullanılmamalıdır.

Kaynak ve Yöntem Notu

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

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

Eş katkı / eş birinci yazar: Kaynakta belirtilmemiştir.

Sorumlu yazar: Rahul Yadav, PhD. PDF'de yıldız işareti ve “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 için hakemli dergi, cilt veya sayı bilgisi doğrulanmamıştır.

Kaynak türü ve hakemlik: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; bulguları 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 temel PDF'nin görünür yazar sırası korunmuştur.

Lisans: SSRN kaydında açık Creative Commons lisansı bulunmamaktadır ve izinsiz yeniden kullanıma izin verilmediği belirtilmektedir. Kaynak şekilleri bu nedenle doğrudan kopyalanmamış; Verianla Live yapıları kaynakta raporlanan sayılar ve süreçlerden özgün olarak oluşturulmuştur.

Finansman: İncelenen kaynakta ayrı bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmektedir.

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

Veri erişilebilirliği: Kaynak, kullanılan verinin NREL Solar Power Data for Integration Studies üzerinden kamuya açık olduğunu belirtmektedir. PDF'de veri adresinin alan adı “nlr” biçiminde yazılmıştır. Resmî NREL kaydı Solar Power Data for Integration Studies veri setini 2006'yı temsil eden sentetik PV santral verileri olarak tanımlar.

Veri niteliğine ilişkin not: Kaynak makale verileri bazı bölümlerde “measurements” ve “realistic power output data” olarak adlandırmaktadır. NREL'in resmî veri açıklamasında ise bunlar entegrasyon çalışmaları için üretilmiş sentetik PV güç verileridir. Bu nedenle Verianla metni verileri gerçek çalışan üç Florida santralinden alınmış canlı ölçüm verisi olarak sunmamaktadır.

MAPE / WMAPE notu: Kaynak Tablolar IV–VI'da 2,9890, 8,8166 ve 4,05307 değerlerini MAPE olarak, özet ve Tablo VII'de ise aynı değerleri WMAPE olarak adlandırmaktadır. WMAPE için ayrı bir denklem verilmediğinden iki adlandırma sessizce eşitlenmemiştir.

Yüzde iyileştirme notu: Kaynağın sayfa 26'da verdiği BPA ve OSLA'ya göre WMAPE iyileştirme yüzdeleri Tablolar IV–VI'daki ham değerlerle doğrudan uyuşmamaktadır. Kaynak özel bir alternatif hesaplama yöntemi açıklamadığından bu oranlar ana bilimsel sonuç olarak kullanılmamıştır.

Eğitim süresi karşılaştırma notu: Kaynak, karşılaştırmalı ANN modellerinin eğitim verisini bir bölümde 45 gün, başka bölümlerde 46 gün olarak vermektedir. Modified BP-OSLA için kullanılan süre açık biçimde 30 gündür.

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

Algoritma yeniden üretilebilirliği notu: Kaynağın BP-OSLA tanımında W1 ve W2'nin bir yerde eğitim boyunca sabit tutulduğu, başka yerde RLS ile güncellendiği belirtilmektedir. Modified BP-OSLA bölümünde “bütün üç katmanın” güncellendiği yazılmasına karşın Denklem 5 yalnız W3 ve W2 güncellemelerini göstermektedir. W1 için açık güncelleme denklemi bulunmadığından bu makale eksik adımı tahmin ederek tamamlamamıştır.

Çok-ufuklu tahmin sınırı: Çalışma yedi günlük görünmeyen test periyodunda 5 dakikalık çözünürlükte tahmin yapmaktadır; ancak ayrı tahmin ufukları için hata değerleri sunmamaktadır. Girdi vektöründe geçmiş gerçek ölçümlerin bulunması nedeniyle sunulan testin tek bir başlangıç noktasından yapılan gerçek 7-gün-ahead açık çevrim tahminle eşdeğerliği kaynakta gösterilmemiştir.

Bilimsel kaynak sınırı: Bu Verianla makalesindeki algoritma yapısı, denklemler, PACF değerleri, ağ mimarileri, eğitim/test dönemleri, performans değerleri, derin model karşılaştırmaları ve hiperparametre duyarlılık sonuçları yüklenen 39 sayfalık temel çalışmaya dayanmaktadır. Dış doğrulama yalnız SSRN bibliyografik kimliği, yayın tarihi, lisans ve NREL veri kaynağının resmî niteliğini kontrol etmek için kullanılmıştır.