Araştırma, faqat tarix fotovoltaik quvvat değerlerini kullanarak 5 dakikalık çözünürlükte quyosh PV quvvat tahmini yapmak uchun Back-Propagation (BP) bilan Online Sequential Learning Algorithm (OSLA) yaklaşımlarını birleştiren Modified BP-OSLA adlı gibrid bir o‘rganish algoritması geliştiriyor. Model; uch gecikmeli haqiqiy quvvat değerini uch gecikmeli bashorat değeriyle birleştiren olti girdili bir yapı, xato belirli bir eşiği aştığında devreye giren koşullu og‘irlik güncellemesi va küresel o‘rganish nisbati kullanıyor. Üç Florida PV ma’lumot serisinde 30 günlük eğitim va 7 günlük görünmeyen test döneminde kaynakta haftalık MAPE/WMAPE sifatida turli biçimlerde adlandırılan xato değerleri Modified BP-OSLA uchun Oviedo'da %2,9890, Knights Key'de %8,8166 va Miami'de %4,05307 sifatida raporlandı. Model, bağımsız BPA va OSLA'dan yanada past xato üretirken N-BEATS va N-HITS bilan benzer büyüklükte bashorat hataları verdi va çok yanada past hisoblash süreleri raporlandı. Bununla birlikte ma’lumot seti uch Florida serisiyle sınırlıdır; meteorolojik değişken kullanılmamıştır; manba haqiqiy zamanlı 7 gün ileri açık sikl tahmini alohida sifatida doğrulamamış va algoritmanın bazı og‘irlik güncelleme denklemlerinde yeniden üretilebilirliği ta’sir qiluvchi iç tutarsızlıklar bırakmıştır.

Çalışmanın asosiy fikri, karmaşık bir chuqur o‘rganish modelinin temsil gücünü bevosita taklit etmek yerine yanada küçük bir ileri beslemeli sinir ağının o‘rganish 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 sifatida tarmoq, faqat tarix haqiqiy quvvat değerlerine bakmıyor; kendi son tahminlerini de yeniden girişe vererek yaqin geçmişte yaptığı hatalardan yararlanabilecek bir geri besleme yapısı oluşturuyor.

Sonuçların en dikkat çekici tarafı faqat bashorat doğruluğu emas. N-BEATS va N-HITS bazı sahalarda Modified BP-OSLA'dan yanada past xato üretmesine rağmen Modified BP-OSLA uchun raporlanan eğitim+bashorat süreleri 0,76–1,90 saniye aralığındadır; bir xil karşılaştırmada N-BEATS 19,09–36,3 saniye, N-HITS esa 36,39–63,09 saniye gerektirmiştir. Bu nedenle tadqiqot “en doğru model” iddiasından çok, yanada küçük bir ağın doğruluk–hisoblash maliyeti dengesi nuqtayi nazaridan rekabetçi olabileceğini desteklemektedir.

Tadqiqotning asosiy muammosi nima?

Güneş PV üretimi gün içi ışınım değişiklikleri, bulut hareketleri va diğer çevresel etkiler nedeniyle zaman ichida değişir. Elektrik sisteminde bu üretimin önceden bashorat edilmesi; üretim planlaması, rezerv yönetimi va şebeke dengesi nuqtayi nazaridan önem taşır. Çalışma ayniqsa ultra kısa dönemden yanada uzun zaman pencerelerine gacha kullanılabilecek, bir xil zamanda ağır chuqur o‘rganish modellerine ko‘ra yanada past hisoblash maliyetine sahip bir bashorat yondashuvi geliştirmeyi amaçlamaktadır.

Geleneksel Back-Propagation Algorithm (BPA), çok katmanlı ileri beslemeli ağları eğitebilir; fakat gradyan temelli og‘irlik güncellemeleri yavaş yakınsayabilir va başlangıç koşullarına duyarlı bo‘lishi mumkin. OSLA esa recursive least-squares mantığıyla hızlı çevrimiçi güncelleme yapabilir, biroq klasik biçimi tek gizli katmanlı mimarilerle sınırlıdır. Modified BP-OSLA bu ikki yaklaşımın özelliklerini tek ağda birleştirmeye ishlaydi.

Model nima uchun faqat PV quvvati tarixidan foydalanadi?

Model quyosh ışınımı, atrof-muhit harorati yoki rüzgâr hızı kabi meteorolojik o‘zgaruvchilari kirish sifatida kullanmaz. Girdi tamamen PV quvvat serisinin tarix değerlerinden oluşturulur. Böylece tadqiqot bir univariate forecasting, yani tek değişkenli zaman serisi tahmini kurulumunu değerlendirmektedir.

Bu seçim modelin ma’lumot gereksinimini azaltmaktadır; biroq bir xil zamanda gelecekteki bulutluluk yoki ışınım değişiklikleri haqida dış meteorolojik bilgi taşımadığı uchun bashorat kapasitesinin faqat quvvat serisinin kendi zamansal yapısıyla cheklangan ekanligi anlamına gelir. Özellikle Knights Key'deki keskin quvvat değişimlerinde barcha modellerin yanada katta xato göstermesi bu yorum nuqtayi nazaridan muhimdir.

Qaysi kechiktirilgan qiymatlar tanlandi?

Çalışma kirish seçimi uchun önceki araştırmadaki Autocorrelation Function (ACF) bulgularını Partial Autocorrelation Function (PACF) analiziyle tamamlamıştır. PACF, yanada eski bir gecikmenin aradaki zaman noktalarının ta’siri çıkarıldıktan so‘ng nima gacha bağımsız bilgi sağladığını ölçmektedir.

Beş dakikalık gecikme PACF=0,9977 bilan baskın girdidir. On dakikalık gecikmenin -0,5577 değerindeki negatif kısmi korelasyonu, bir önceki gecikmenin taşıdığı bilgiden bağımsız yönde düzeltici bilgi sağlayabileceğini ko‘rsatadi. On besh dakikalık gecikmenin ta’siri yanada küçüktür. Yirmi dakikalık gecikme %95 güven sınırını aşmasına rağmen manba, %11,32 sifatida verdiği göreli katkının ağın kirish boyutunu büyütmeyi haklı çıkarmadığına karar vermiştir.

Prognozning teskari aloqali kirish arxitekturasi qanday quriladi?

Modified BP-OSLA'nın özgün mimari değişikliklerinden biri faqat tarix haqiqiy ölçümleri emas, ağın tarix tahminlerini de girişe eklemesidir. Manbada kirish vektörü:

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

sifatida tanımlanmıştır. Buradaki 1 bias terimidir; \(\hat y\) tarix model tahminlerini, \(y\) esa tarix haqiqiy quvvat değerlerini ko‘rsatadi.

Gerçek tarix değerler manba tarafından series-parallel tanımlama yapısına, bashorat geri beslemeleri esa parallel tanımlama yapısına benzetilmektedir. Gerçek değerlerin modele kararlı va ölçülmüş referans sağlaması, bashorat değerlerinin esa ağın kendi yaqin dönem bashorat davranışını modele geri taşıması amaçlanmaktadır.

Bu yapı muhim bir yorum sınırı da oluşturur. Model ilerleyen her bashorat adımında son haqiqiy quvvat değerlerine erişiyorsa tadqiqot, tek bir başlangıç anında barcha gelecek haftayı bilmeden hesaplanan klasik “7 gün ileri açık sikl” tahmininden ziyade bir haftalık test dönemi davomida sürekli güncellenen kısa adımlı bir bashorat düzenine yanada yakındır. Manba bu ayrımı açık tarzda çözümlememekte va alohida bashorat ufuklarına ko‘ra xato tablosu vermemektedir.

Tarmoq arxitekturasi nima?

Modified BP-OSLA olti kirish, 30 nöronlu ikki gizli katman va tek chiqish nöronundan iborat bo‘lgan 6:30:30:1 mimarisini kullanmaktadır. Gizli katmanlarda sigmoid aktivasyon, çıkışta doğrusal yapı qo‘llanadi.

Shartli o‘rganish mexanizmi nima qiladi?

Her zaman adımında bashorat hatası:

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

sifatida hisoblanadi. Ağın ağırlıkları faqat:

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

koşulu sağlandığında güncellenmektedir.

Manba bu yapıyı hedef değer çevresindeki bir “dead-zone” sifatida tanımlar. Tahmin zaten hedefe yeterince yakınsa küçük artık hatalar uchun yeni og‘irlik güncellemesi yapılmaz. Amaç recursive least-squares güncelleme kapasitesini haqiqatan yeni bilgi taşıyan örneklere ayırmak va kararlı durumdaki gereksiz og‘irlik hareketlerini azaltmaktır.

Back-propagation qanday rolni bajaradi?

Güncelleme koşulu sağlanırsa xato tarmoq davomida geriye yayılır. Çalışmada duyarlılık terimleri:

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

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

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

sifatida beriladi. \(\odot\), Hadamard çarpımını ifodalaydi. Bu aşama BP'nin çok katmanlı tarmoq ichida qaysi katmanın hataya nima ölçüde katkıda bulunduğunu hesaplayan bölümüdür.

OSLA ning recursive least-squares masshtablashidan qanday foydalaniladi?

Manba, her gizli katman uchun 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:

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

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

Bu matrislerin amacı barcha og‘irlik uzayına tek bir skaler adım büyüklüğü uygulamak yerine, yanada avval çok sayıda örnekle iyi öğrenilmiş yönlerde güncellemeyi küçültmek va yanada az öğrenilmiş yönlerde yanada katta düzeltmeye izin vermektir.

Og‘irliklarni yangilash formulalarida manba nima deydi?

Manba “barcha uch katmanın ağırlıkları güncellenir” ifadesini kullanmasına rağmen hemen ostida faqat şu ikki 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 uchun karşılık gelen bir denklem bir xil bölümde bulunmamaktadır. Ayrıca yanada avval W₁ va W₂'nin eğitim davomida sabit tutulduğu, başka bir cümlede esa ikisinin de recursive least-squares bilan güncellendiği yazılmıştır. Bu nedenle bu makale W₁'in haqiqiy uygulamadaki davranışını bashorat ederek tamamlamamaktadır. Modelin bağımsız sifatida yeniden üretilmesi nuqtayi nazaridan bu noktanın yazar tarafından açıklığa kavuşturulması kerak.

PV ma’lumotlari qanday tayyorlangan?

Çalışmada uch Florida PV konumu ishlatilgan. Manba ma’lumot, NREL Solar Power Data for Integration Studies ma’lumot setinden seçilmiştir. Seri 5 dakikalık çözünürlüğe sahiptir va faqat 07.00–17.00 arasındaki gündüz saatleri korunmuştur.

Her saha uchun 30 gün eğitim va sonraki alohida 7 günlük dönem test amacıyla ishlatilgan. Eğitim va test aralarında bevosita zaman örtüşmesini önlemek uchun boşluk bırakılmıştır.

Güç değerleri eğitim setinin maksimum değerine ko‘ra normalize edilmiştir:

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

Böylece her sahanın eğitim davomida gördüğü maksimum quvvat değeri ölçekleme referansı sifatida ishlatilgan.

Ma’lumotni haqiqiy dala o‘lchovi sifatida talqin qilish to‘g‘rimi?

Manba metin 5 dakikalık ma’lumotlarni yer yer “measurements” va “realistic power output data” sifatida nitelemektedir. Bununla birlikte ma’lumot kaynağının resmî açıklaması bunların 2006 hava koşullarını temsil etmek amacıyla entegrasyon çalışmaları uchun oluşturulmuş sentetik PV santral ma’lumotlarni ekanini qayd etadi. Bu nedenle sonuçlar haqiqiy bir PV santralinin canlı operasyon SCADA sisteminden elde edilmiş prospektif saha validatsiyasi sifatida yorumlanmamalıdır.

Unumdorlik qaysi mezonlar bilan baholangan?

Root Mean Square Error (RMSE), bashorat bilan haqiqiy değer arasındaki tipik xato büyüklüğünü:

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

shaklida ölçer.

Variance Accounted For (VAF):

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

sifatida hisoblanadi. %100'e yaqin değerler bashorat va haqiqiy seri orasida yanada yuqori uyumu ifodalaydi.

Mean Absolute Percentage Error (MAPE) esa kaynakta:

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

shaklida beriladi.

Manba shuningdek hisoblash yükünü eğitim va test uchun geçen süreyle, yakınsama hızını esa VAF'ın %95 yoki bo‘yicha çıkması uchun gereken zaman adımı sayısıyla değerlendirmektedir. Bütün hesaplamaların 8 GB belleğe sahip 1200 MHz Intel Core i3 işlemcide yapıldığı qayd etiladi.

Manba nima uchun MAPE ham WMAPE ham deydi?

Burada muhim bir terminoloji sorunu vardır. Tablolar IV, V va VI performans değerlerini açıkça “MAPE” satırı ostida verir. Aynı sayılar özet, Tablo VII va natija bölümünde “Weekly Mean Absolute Percentage Error (WMAPE)” sifatida adlandırılmıştır. Manba WMAPE uchun MAPE'den turli alohida bir ağırlıklı denklem sunmadığından, bu ikki adlandırmanın haqiqatan turli metrikleri temsil edip etmediği doğrulanamamaktadır.

Bu nedenle aşağıdaki sonuçlarda değerler değiştirilmeden verilecek; fakat “kaynakta MAPE/WMAPE sifatida turli adlandırılan haftalık yüzde xato” ifadesi kullanılacaktır.

Tadqiqot usuli va natijalari

Modified BP-OSLA mustaqil BPA va OSLA ga nisbatan qanday natija ko‘rsatdi?

Ham tablolar nuqtayi nazaridan natija açıktır: Modified BP-OSLA uch sahanın tamamında hem BPA hem OSLA'dan yanada past RMSE va yüzde xato, yanada yuqori VAF üretmiştir. Ayrıca uch sahada da VAF≥%95 yakınsama eşiğine 1000 zaman adımında ulaşmıştır.

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

Manba sayfa 26'da bu tablolardan türetildiği belirtilen bazı yüzde “iyileştirme” nisbatlari vermektedir; biroq bildirilen oranlar ham jadval değerlerinden yapılan bevosita karşılaştırmayla uyuşmadığından burada tekrarlanmamıştır. Bilimsel karşılaştırmanın güvenilir kaynağı sifatida bevosita Tablolar IV–VI'daki değerler ishlatilgan.

Haqiqiy va bashorat qilingan quvvat egri chiziqlari nimani ko‘rsatadi?

Manbaning Rasm 4–6'sında yedi günlük test dönemlerinin haqiqiy va bashorat edilen 5 dakikalık quvvat eğrileri yan yana beriladi. Oviedo va Miami'de Modified BP-OSLA eğrisi haqiqiy quvvat profilini yakından izler. Knights Key'de esa ayniqsa keskin tepe bölgelerinde yanada yaqqol sapmalar görülür.

Bu görsel bulgu performans tablolarıyla uyumludur: Knights Key'de faqat Modified BP-OSLA emas, BPA va OSLA'nın da RMSE va yüzde xato değerleri diğer ikki sahadan yanada yüksektir. Dolayısıyla kaynakta bu sahanın yanada değişken va tahmini zor bir seri ekanligi yorumu yapılmaktadır.

Chuqur o‘rganish modellari bilan taqqoslaganda eng past xato kimda?

Modified BP-OSLA, N-BEATS va N-HITS karşılaştırmasında barcha sahalarda mutlak en past hatayı üretmemiştir. Bu ayrım muhimdir.

Oviedo'da N-HITS 2,9456 bilan Modified BP-OSLA'nın 2,9890 değerinden biraz yanada past xato üretirken N-BEATS 3,0370 bilan biraz yanada yuqori xato vermiştir. Knights Key'de N-BEATS va N-HITS sırasıyla 7,6680 va 7,8290 bilan Modified BP-OSLA'nın 8,8166 değerinden yanada iyi performans göstermiştir. Miami'de de N-HITS va N-BEATS taxminan 3,74–3,76 bilan Modified BP-OSLA'nın 4,05307 değerinin altındadır.

Dolayısıyla tadqiqot Modified BP-OSLA'nın chuqur ağlardan genel sifatida yanada doğru ekanini göstermemektedir. Desteklenen natija, çok yanada küçük va hızlı bir yapı kullanırken uch sahada chuqur modellerle bir xil büyüklük mertebesinde bashorat hatası elde etmesidir.

Hisoblash xarajatidagi farq qanchalik katta?

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

Manba bu farqi taxminan bir–ikki büyüklük mertebesi yanada past hisoblash maliyeti sifatida yorumlamaktadır. Ancak bu süreler tadqiqotda kullanılan Intel Core i3 1200 MHz va 8 GB bellek ortamına aittir; turli donanımlar uchun mutlak saniye değerleri bevosita genellenemez.

Kamroq o‘qitish ma’lumotlaridan foydalanish da’vosi qanchalik aniq?

Modified BP-OSLA her saha uchun 30 günlük eğitim verisi kullanmıştır. Manba, literatürdeki BP-SFLA-ANN, SFLA-ANN, GA-ANN va Classic BP-ANN karşılaştırmalarının yanada uzun eğitim verisi kullandığını belirterek ma’lumot verimliliği avantajı ileri sürmektedir.

Ancak metin bu ma’lumot miktarını bir yerde 45 gün, başka bölümlerde 46 gün sifatida vermektedir. Dolayısıyla “%33 yanada az ma’lumot” ifadesi tek anlamlı bir referans süreyle desteklenmemektedir. Güvenilir tarzda söylenebilen şey, bu tadqiqot uchun eğitim süresinin 30 gün ekanligi va karşılaştırma çalışmalarının manba ichida 45/46 gün sifatida raporlandığıdır.

Giperparametrlar o‘zgarganda natijalar barqarormi?

Öğrenme nisbati \(l_r=0,7\) va o‘rganish eşiği \(\beta=0,0001\) asosiy ayarları alohida alohida ±%5 va ±%10 değiştirilmiştir. Manbada raporlanan WMAPE değerleri uch sahada da küçük değişimler göstermiştir.

Manba bu değişimlerin WMAPE ustida %1'den küçük ta’sir oluşturduğunu va ayniqsa β eşiğinin küçük değişimlere çok past hassasiyet gösterdiğini qayd etadi. Hesaplama süreleri de ±%10 hiperparametre değişimlerinde katta ölçüde sabit kalmıştır.

“Ko‘p ufqli” bashorat da’vosining chegarasi nima?

Çalışma başlığı va özet, yöntemi intra-hour seviyesinden week-ahead seviyesine gacha “multi-horizon” sifatida tanımlar. Bununla birlikte natija tablolarında 5 dakika ileri, 15 dakika ileri, 1 saat ileri, 1 gün ileri va 7 gün ileri kabi alohida bashorat ufuklarının hataları verilmemektedir.

Dahası, ağın girişinde son uch haqiqiy o‘lchov \(y_{t-5},y_{t-10},y_{t-15}\) mavjud. Eğer test süresince bu haqiqiy ölçümler her yeni 5 dakikalık adımda güncelleniyorsa model, sürekli kayan kısa-vadeli bashorat üretmektedir. Manba bunun tek bir başlangıç noktasından gelecek yedi günün tamamını önceden üreten açık sikl tahminle eşdeğerliğini göstermemektedir.

Bu nedenle tadqiqotning bevosita desteklediği natija, modelin 7 günlük görünmeyen test serisi davomida 5 dakikalık çözünürlükte çalıştırılabilmesidir. Gerçek “7 gün önceden yayınlanan hafta-ahead bashorat” performansı uchun shuningdek bashorat-ufku bazlı validatsiya kerak.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Modified BP-OSLA, uch incelenen PV serisinin tamamında bağımsız BPA va OSLA'dan yanada past RMSE va yüzde xato üretmiştir.
• Üç sahada da VAF≥%95 yakınsama eşiğine kaynakta 1000 zaman adımında ulaştığı raporlanmıştır.
• Modified BP-OSLA'nın bashorat hataları N-BEATS va N-HITS bilan bir xil genel büyüklük aralığındadır; fakat chuqur modeller bazı sahalarda yanada past xato üretmiştir.
• Modified BP-OSLA uchun raporlanan hisoblash süreleri chuqur modellerin karşılaştırma sürelerinden yaqqol tarzda yanada düşüktür.
• Öğrenme nisbati va o‘rganish eşiğinin ±%10 değişimi uch test serisinde raporlanan xato değerlerini cheklangan ölçüde değiştirmiştir.
• Tahmin geri beslemeli kirish yapısı haqiqiy va tarix bashorat değerlerini bir xil model girdisinde birleştirmektedir.

Tadqiqot ko‘rsatmagan yoki to‘liq tushuntirmagan jihatlar

• Model barcha coğrafyalarda, iklimlerde yoki PV teknolojilerinde bir xil doğruluğa sahip ekanini göstermemektedir.
• Üç ma’lumot serisinin tashqarisida bağımsız coğrafi dış validatsiya yapılmamıştır.
• Meteorolojik değişkenler modele jumladan edilmemiştir.
• Ayrı bashorat ufukları uchun horizon-specific xato eğrileri raporlanmamıştır.
• Gerçek bir işletme sisteminde çevrimiçi saha uygulaması gösterilmemiştir.
• W1 ağırlığının eğitim davomida qanday ele alındığı manba metinde tek anlamlı tarzda tanımlanmamıştır.
• MAPE va WMAPE terimlerinin kaynakta nima uchun bir xil sayılar uchun değişimli kullanıldığı açıklanmamıştır.
• Sahifa 26'daki bazı yüzde iyileştirme nisbatlari ham performans tablolarıyla aritmetik sifatida uyumlu görünmemektedir.
• Çalışma olasılıksal bashorat aralıkları yoki bashorat belirsizliği kalibrasyonu sunmamaktadır.

Türkiye nuqtayi nazaridan yorum: Çalışma Türkiye'deki bir PV santralinden alınmış veriyle yürütülmemiştir. Yöntemin Türkiye'de kullanılabilmesi uchun yerel güneşlenme yapısı, hızlı bulut geçişleri, mevsimsel üretim profilleri, santral teknolojisi, inverter sınırları va BMS/SCADA örnekleme yapısıyla shuningdek doğrulanması kerak. Özellikle faqat tarix quvvat değerlerine dayanan tek değişkenli yapı, turli meteorolojik rejimlerde bir xil xato düzeyini garanti etmez. Dolayısıyla çalışmadaki %2,9890–%8,8166 aralığındaki xato değerleri Türkiye'deki bir santral uchun bevosita performans beklentisi sifatida kullanılmamalıdır.

Manba va usul haqida izoh

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

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

Eş katkı / eş birinci yazar: Manbada belirtilmemiştir.

Sorumlu yazar: Rahul Yadav, PhD. PDF'de yıldız işareti va “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 uchun hakemli dergi, cilt yoki sayı bilgisi doğrulanmamıştır.

Manba türü va hakemlik: Bu tadqiqot hakem değerlendirmesinden geçmemiş bir preprinttir; natijalari 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 asosiy PDF'nin görünür yazar sırası korunmuştur.

Lisans: SSRN kaydında açık Creative Commons lisansı bulunmamaktadır va izinsiz yeniden kullanıma izin verilmediği qayd etiladi. Manba şekilleri shu sababli bevosita kopyalanmamış; Verianla Live yapıları kaynakta raporlanan sayılar va süreçlerden özgün sifatida oluşturulmuştur.

Finansman: İncelenen kaynakta alohida bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmektedir.

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

Veri erişilebilirliği: Manba, kullanılan verinin NREL Solar Power Data for Integration Studies üzerinden kamuya açık ekanini qayd etadi. PDF'de ma’lumot adresinin alan adı “nlr” shaklida yazılmıştır. Resmî NREL kaydı Solar Power Data for Integration Studies ma’lumot setini 2006'yı temsil eden sentetik PV santral ma’lumotlarni sifatida tanımlar.

Veri niteliğine ilişkin not: Manba makale ma’lumotlarni bazı bölümlerde “measurements” va “realistic power output data” sifatida adlandırmaktadır. NREL'in resmî ma’lumot açıklamasında esa bunlar entegrasyon çalışmaları uchun üretilmiş sentetik PV quvvat verileridir. Bu nedenle Verianla metni ma’lumotlarni haqiqiy çalışan uch Florida santralinden alınmış canlı o‘lchov verisi sifatida sunmamaktadır.

MAPE / WMAPE notu: Manba Tablolar IV–VI'da 2,9890, 8,8166 va 4,05307 değerlerini MAPE sifatida, özet va Tablo VII'de esa bir xil değerleri WMAPE sifatida adlandırmaktadır. WMAPE uchun alohida bir denklem verilmediğinden ikki adlandırma sessizce eşitlenmemiştir.

Yüzde iyileştirme notu: Manbaning sayfa 26'da verdiği BPA va OSLA'ya ko‘ra WMAPE iyileştirme yüzdeleri Tablolar IV–VI'daki ham değerlerle bevosita uyuşmamaktadır. Manba maxsus bir alternatif hisoblash yöntemi açıklamadığından bu oranlar asosiy ilmiy natijada kullanılmamıştır.

Eğitim süresi karşılaştırma notu: Manba, karşılaştırmalı ANN modellerinin eğitim verisini bir bölümde 45 gün, başka bölümlerde 46 gün sifatida vermektedir. Modified BP-OSLA uchun kullanılan süre açık tarzda 30 gündür.

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

Algoritma yeniden üretilebilirliği notu: Manbaning BP-OSLA tanımında W1 va W2'nin bir yerde eğitim davomida sabit tutulduğu, başka yerde RLS bilan güncellendiği qayd etiladi. Modified BP-OSLA bölümünde “barcha uch katmanın” güncellendiği yazılmasına karşın Denklem 5 faqat W3 va W2 güncellemelerini ko‘rsatadi. W1 uchun açık güncelleme denklemi bulunmadığından bu makale eksik adımı bashorat ederek tamamlamamıştır.

Çok-ufuklu bashorat sınırı: Çalışma yedi günlük görünmeyen test periyodunda 5 dakikalık çözünürlükte bashorat yapmaktadır; biroq alohida bashorat ufukları uchun xato değerleri sunmamaktadır. Girdi vektöründe tarix haqiqiy ölçümlerin bulunması nedeniyle sunulan testin tek bir başlangıç noktasından yapılan haqiqiy 7-gün-ahead açık sikl tahminle eşdeğerliği kaynakta gösterilmemiştir.

Bilimsel manba sınırı: Bu Verianla makalesindeki algoritm yapısı, denklemler, PACF değerleri, tarmoq mimarileri, eğitim/test dönemleri, performans değerleri, chuqur model karşılaştırmaları va hiperparametre duyarlılık natijalarini yüklenen 39 sayfalık asosiy çalışmaya dayanmaktadır. Dış validatsiya faqat SSRN bibliyografik kimliği, yayın tarihi, lisans va NREL ma’lumot kaynağının resmî niteliğini kontrol etmek uchun ishlatilgan.