Çok değişkenli zaman serilerine dayalı öznitelik çıkarımı ile fotovoltaik güç tahmini için açıklanabilir hibrit transformer mimarilerinin geliştirilmesi

Abstract

Fotovoltaik (FV) güç üretiminin doğru ve güvenilir bir şekilde tahmin edilmesi; şebeke kararlılığının sağlanması, enerji planlamasının optimize edilmesi ve yenilenebilir enerji kaynaklarının entegrasyonunun desteklenmesi açısından kritik öneme sahiptir. Bu çalışma, Türkiye, Manisa ili, Akhisar ilçesinde yer alan 100 𝑘𝑊 kapasiteli, çatı tipi güneş enerjisi santralinden elde edilen gerçek saatlik üretim verilerini kullanarak bir saat sonrasına yönelik FV çıkışını tahmin etmek amacıyla modüler bir hibrit Transformer çerçevesi önermektedir. Zamansal özellik öğrenimini geliştirmek amacıyla, Vanilla Transformer kodlayıcısındaki standart ileri beslemeli katman, LSTM, GRU ve 1D-CNN olmak üzere üç alternatif dizi modelleme birimi ile değiştirilmiştir. Bu modüler kodlayıcı tasarımı, modelin hem uzun dönemli bağımlılıkları hem de yerel dinamik örüntüleri daha etkin bir şekilde yakalamasına olanak tanımaktadır. Her bir model, Bayesçi hiperparametre optimizasyonu ile ayarlanmış ve MSE, RMSE, MAE ve 𝑅² gibi yerleşik performans ölçütleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, 1D-CNN tabanlı hibrit modelin en yüksek tahmin doğruluğunu sağladığını, Vanilla Transformer’a kıyasla RMSE değerinde yaklaşık %15’e varan iyileşme elde ettiğini ve farklı hava koşulları altında daha kararlı 𝑅² değerleri sunduğunu göstermektedir. Tahmin doğruluğuna ek olarak, çalışmada her bir modelin uygulanabilirliğini değerlendirmek amacıyla yorumlanabilirlik (SHAP analizi aracılığıyla), çıkarım süresi verimliliği ve GPU kullanım düzeyi de incelenmiştir. Elde edilen bulgular, önerilen modüler kodlayıcı yapısının hem tahmin performansını hem de hesaplama verimliliğini artırdığını ve gerçek Dünya FV tahmin uygulamaları için ölçeklenebilir bir çözüm sunduğunu ortaya koymaktadır. Sonuç olarak, bu araştırma, Transformer mimarilerine zamansal modelleme birimlerinin entegre edilmesinin yenilenebilir enerji tahmin performansını iyileştirme ve modern güç sistemlerinde veri odaklı karar alma süreçlerini destekleme açısından önemli bir potansiyele sahip olduğunu vurgulamaktadır.

Accurate and reliable forecasting of photovoltaic (PV) power generation is essential for ensuring grid stability, optimizing energy scheduling, and supporting the integration of renewable resources. This study proposes a modular hybrid Transformer framework to predict one-hour-ahead PV output using real-world hourly production data collected from a 100 kW rooftop solar plant located in Akhisar, Manisa, Türkiye. To enhance temporal feature learning, the standard feed-forward layer in the vanilla Transformer encoder is replaced with three alternative sequence modeling units, including LSTM, GRU, and 1DCNN. This modular encoder design enables the model to capture both long-range dependencies and local dynamic patterns more effectively. Each model is optimized through Bayesian hyperparameter tuning and evaluated using established metrics such as MSE, RMSE, MAE, and 𝑅􀬶. Experimental results indicate that the 1D-CNN-based hybrid model provides the most accurate predictions, achieving up to approximately 15% RMSE improvement over the Vanilla Transformer and demonstrating more stable 𝑅􀬶 values across varying weather conditions. In addition to predictive accuracy, the study also evaluates interpretability (via SHAP analysis), inference-time efficiency, and GPU utilization to assess the practical deployability of each model. Findings indicate that the proposed modular encoder structure enhances both forecasting performance and computational efficiency, offering a scalable solution for realworld PV forecasting applications. Overall, this research highlights the potential of integrating temporal modeling units into Transformer architectures to improve renewable energy forecasting and support data-driven decision-making in modern power systems.