Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

İl Bazlı Izgara Verileri ve Kota Tabanlı Hibrit Fiziksel-Yapay Zeka Modeli Kullanarak Retrospektif Öngörü

38 görüntülenme

⸱

DOI:

10.3791/72395

⸱

28 Ağustos 2026

 ,  ,  ,  , 
1State Grid Economic and Technological Research Institute Co., Ltd., Techno-Economic Center, 2Finance and Assets Department, State Grid Shandong Electric Power Company, 3Nanjing University

Bu makalede

Özet

Bu çalışma, fiziksel maliyet kotalarını dinamik makroekonomik/teknolojik düzenlemeler ve XGBoost tabanlı artık tazminatı ile birleştiren, elektrik şebekeleri için hibrit bir maliyet öngörü modeli önermektedir. %2,34 MAPE değerine ulaşan model, doğruluk ve yorumlanabilirlik arasında bir denge kurarak tarife belirlemedeki düzenleyici şeffaflık ihtiyaçlarını karşılamaktadır.

Özet

Küresel enerji dönüşümü ve devam eden elektrik piyasası reformları, enerji şebekesi işletmelerinin güvenilir güç arzı ile giderek sıkılaşan iletim ve dağıtım tarife düzenlemeleri arasında bir denge kurmasını gerektirmektedir. Geçmiş verilerin ekstrapolasyonuna dayalı geleneksel bütçeleme yöntemleri, varlık operasyonlarının fiziksel temelini yansıtmakta sıklıkla yetersiz kalırken; veri odaklı makine öğrenimi modelleri yüksek tahmin doğruluğuna ulaşmakta ancak düzenleyici maliyet doğrulaması için gerekli olan şeffaflıktan yoksun kalmaktadır. Tahmin doğruluğu ve yorumlanabilirlik arasındaki bu ödünleşimi gidermek amacıyla, bu çalışma maliyet kotalarına dayalı hibrit bir maliyet tahmin modeli önermektedir. Söz konusu çerçeve, fiziksel bütçeleme temel çizgisi olarak standartlaştırılmış işletme kotalarını kullanmakta ve makroekonomik koşullar ile teknolojik ilerlemeler tarafından yönlendirilen dinamik bir kota evrim mekanizması içermektedir. Kota bazlı tahminlerin ötesindeki doğrusal olmayan artık değerleri yakalamak için Extreme Gradient Boosting (XGBoost) kullanılırken, temel maliyet itici güçlerinin katkısını yorumlamak için SHAP (Shapley Additive exPlanations) kullanılmıştır. Model, Çin'deki bir eyalet enerji şebekesinden alınan 16 yıllık anonimleştirilmiş operasyonel veriler kullanılarak değerlendirilmiştir. Model, %2,34'lük bir ortalama mutlak yüzde hata (MAPE) elde ederek tahmin hatalarını SARIMAX, tek başına XGBoost ve Attention-LSTM modellerine kıyasla sırasıyla %61,8, %46,6 ve %34,1 oranında azaltmıştır. Önerilen çerçeve, mühendislik maliyet kotası ilkelerini açıklanabilir yapay zeka ile entegre ederek hem doğru uzun vadeli maliyet tahminleri hem de düzenleyici izin verilen maliyet doğrulaması için şeffaf bir karar destek aracı sağlamaktadır.

Giriş

Küresel enerji geçişi; dağıtık yenilenebilir üretimin entegrasyonu, artan ekstrem hava olayları ve IoT teknolojilerinin yaygın kullanımı aracılığıyla güç şebekesi varlık yönetimini ve operasyonel uygulamaları yeniden şekillendirmekte olup, tüm bunlar sistem güvenilirliğini sağlamak için daha fazla operasyonel esneklik ve bakım kaynağı gerektirmektedir1,2. Aynı zamanda elektrik düzenleyici kurumlar, Birleşik Krallık'ın RIIO'su ve ABD Federal Enerji Düzenleme Komisyonu'nun getiri oranı incelemeleri gibi çerçeveler aracılığıyla iletim ve dağıtım tarife denetimini güçlendirerek maliyet gerekçelendirmesinde şeffaflığı vurgulamışlardır3. Çin de benzer şekilde, enerji şirketlerinin mühendislik faaliyetleri ile finansal harcamalar arasındaki net bağlantıları kanıtlamasını gerektiren bir "izin verilen maliyet artı makul getiri" düzenleme mekanizmasını benimsemiştir4. Ancak, enerji şirketleri genellikle fiziksel varlık operasyonlarını maliyet öngörüleriyle ilişkilendiren şeffaf nicel araçlardan yoksundur ve bu durum düzenleyici maliyet doğrulamasının etkinliğini sınırlamaktadır5.

Mevcut öngörü yaklaşımları bu ortamda önemli sınırlamalara sahiptir6. Artımlı bütçeleme ve ARIMA tabanlı modelleri içeren geleneksel yöntemler, nispeten istikrarlı tarihsel kalıpları varsayar ve ekonomik dalgalanmalar veya ekstrem hava koşullarının neden olduğu yapısal değişiklikler altında genellikle düşük performans gösterir7. Buna karşılık, LSTM ve Transformer mimarileri gibi modern makine öğrenimi modelleri, kısa vadeli öngörüler için yüksek tahmin doğruluğu sağlar ancak düzenleyici karar alma süreçleri için gereken mühendislik yorumlanabilirliğinden yoksundur8,9. Son dönemdeki hibrit öngörü yaklaşımları istatistiksel ve makine öğrenimi tekniklerini birleştirse de, genellikle güç şebekesi muhasebe sistemlerinin temelini oluşturan standartlaştırılmış mühendislik maliyet kotalarını göz ardı etmektedir10. Bu sınırlamaları gidermek için bu çalışma, öngörü doğruluğunu artırırken mühendislik yorumlanabilirliğini koruyan, dinamik kota evrimini makine öğrenimi tabanlı artık düzeltmesiyle birleştiren kota güdümlü bir hibrit öngörü çerçevesi önermektedir.

Önemli araştırma yönlerinden biri, Birleşik Krallık'ın RPI-X mekanizması ve Çin'in izin verilen maliyet doğrulama çerçevesi de dahil olmak üzere, doğal tekel endüstrilerindeki teşvik düzenlemelerinden kaynaklanmaktadır11. Bu çalışmalar, operasyonel verimliliği öncelikle Veri Zarflama Analizi (DEA) ve Stokastik Sınır Analizi (SFA) kullanarak değerlendirmektedir12. Önceki araştırmalar, tarife düzenlemelerini desteklemek amacıyla sermaye harcamaları (CAPEX), işletme harcamaları (OPEX) ve maliyet verimliliği arasındaki uzun vadeli ilişkileri incelemiştir13,14. Bu yaklaşımlar değerli makroekonomik öngörüler sunsa da, çıktıları genellikle yıllık bütçelemeye uygun parasal tahminlerden ziyade göreceli verimlilik skorları olarak ifade edilmektedir15,16. Ayrıca, sınır modelleri genel olarak nispeten sabit fiziksel varlık yapılarını ve işletme koşullarını varsaymakta, bu da varlık yaşlanması, altyapı yenileme veya hızlı talep artışı kaynaklı ani maliyet değişimlerini yakalama yeteneklerini sınırlamaktadır17,18.

İkinci bir araştırma yönü, istatistiksel ve yapay zeka tabanlı öngörü modellerine odaklanmaktadır. Erken dönem çalışmalar, maliyet tahmini için çoklu doğrusal regresyon ve dışsal değişkenli otoregresif entegre hareketli ortalama modelleri (ARIMAX) kullanmıştır19. Daha yakın zamanda; destek vektör regresyonu, rastgele ormanlar, XGBoost, LSTM ve Transformer modelleri, doğrusal olmayan ilişkileri ve yüksek boyutlu özellik uzaylarını kullanarak öngörü performansını önemli ölçüde artırmıştır20,21,22. Bu yaklaşımlar sıklıkla elektrik talebi, üretici fiyat endeksleri (ÜFE) ve iklim değişkenleri gibi makroekonomik göstergeleri dahil etmektedir23. Ancak, elektrik şebekesi işletme maliyetleri yalnızca makroekonomik değişkenlerden ziyade mühendislik faaliyetleri, varlık yıpranması, bakım planlaması ve yönetimsel kararlardan kaynaklanmaktadır24. Sonuç olarak, tamamen veri odaklı modeller genellikle "kara kutular" gibi çalışmakta, bu da düzenleyici incelemeler veya izin verilen maliyet doğrulamaları sırasında öngörülen maliyetlerin açıklanmasını zorlaştırmaktadır25,26.

Mühendislik maliyet kotası yönetimi, bu zorluğa potansiyel bir çözüm sunmaktadır27. Faaliyet tabanlı maliyetleme (ABC), rutin şebeke operasyonları için iş gücü, malzeme, ekipman ve bakım gereksinimlerini tahmin etmek amacıyla uzun süredir standartlaştırılmış operasyonel kotalara dayanmaktadır28. Çin'deki büyük kamu hizmeti işletmeleri; denetim, bakım, test, onarım ve ekipman değişim faaliyetlerini kapsayan kapsamlı kota veri tabanları geliştirmişlerdir. Bununla birlikte, bu mühendislik standartları dinamik uzun vadeli öngörülerden ziyade, öncelikle proje mahsuplama ve denetim işlemleri için kullanılmaktadır29,30. Ayrıca, kota standartları genellikle yalnızca birkaç yılda bir revize edilmekte, bu da onları değişen emtia fiyatlarına, teknolojik ilerlemelere ve operasyonel uygulamalara karşı yetersiz derecede duyarlı hale getirmektedir31. Kota sistemlerinin milyonlarca dağıtık varlık genelinde uygulanması, geniş ölçekli öngörüler için önemli hesaplama zorlukları da oluşturmaktadır32.

İstatistiksel öngörü, makine öğrenimi ve mühendislik maliyet yönetimi alanlarındaki önemli gelişmelere rağmen, mevcut hiçbir çerçeve; standartlaştırılmış mühendislik maliyet kotalarını, dinamik makroekonomik ayarlamaları ve açıklanabilir makine öğrenimini, düzenleyici maliyet doğrulaması için birleştirilmiş bir öngörü modelinde etkili bir şekilde entegre etmemektedir. Dinamik olarak gelişen maliyet kotalarının XGBoost tabanlı artık öğrenimi ile birleştirilmesinin, düzenleyici karar verme süreçleri için gerekli olan mühendislik şeffaflığını korurken uzun vadeli öngörü doğruluğunu artırabileceği hipotezi kurulmuştur. Bu hipotezi test etmek amacıyla; fiziksel maliyet modellemesini, makroekonomik ve teknolojik ayarlama mekanizmalarını, XGBoost artık kompanzasyonunu ve SHAP tabanlı model yorumlamasını entegre eden hibrit, kota güdümlü bir öngörü çerçevesi geliştirilmiştir. Önerilen yaklaşım, modern elektrik piyasası düzenlemeleri kapsamında izin verilen maliyet doğrulamasını desteklemek için hem doğru uzun vadeli maliyet öngörüleri hem de şeffaf kanıtlar sağlamayı amaçlamaktadır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışmada, Çin'in doğusundaki bir eyalet elektrik şebekesinden toplanan anonimleştirilmiş operasyonel ve finansal veriler kullanılmıştır. Tüm veriler analizden önce birleştirilmiş ve kimliksizleştirilmiştir; kişisel olarak tanımlanabilir veya hassas bireysel düzeyde hiçbir bilgiye yer verilmemiştir. Bu nedenle, etik onay gerekmemiştir. Verilere erişim ve analiz süreçleri, geçerli veri koruma düzenlemelerine ve enerji sektörü bilgilerini yöneten kurumsal sözleşmelere uygun olarak gerçekleştirilmiştir.

Tahmin çerçevesine genel bakış

Fizik tabanlı ve veri güdümlü öngörü yaklaşımlarını entegre etmek amacıyla, mühendislik maliyet kotalarını makine öğrenimi ile birleştiren hibrit bir öngörü çerçevesi geliştirilmiştir. Bu çerçeve, birden fazla algoritmayı basitçe birleştirmek yerine, fiziksel modellerin temel öngörüyü oluşturduğu, makine öğreniminin ise artık hataları telafi ettiği prensibini takip eder. Bu tasarım, öngörü sürecinin yalnızca geçmiş maliyet ekstrapolasyonuna dayanmak yerine, güç şebekesi üretim ve işletme faaliyetlerinin altında yatan fiziksel mekanizmalara dayandırılmasını sağlar.

Çatı, öncelikle güç şebekesi varlıkları, standartlaştırılmış işletme faaliyetleri ve maliyet hesapları arasında hiyerarşik bir eşleme oluşturur. Üretim ve işletme maliyetleri; trafo merkezleri, iletim hatları, dağıtım besleyicileri, ölçüm cihazları ve dijital denetim ekipmanları dahil olmak üzere fiziksel varlıkların denetim, bakım, test, onarım ve değişim gibi rutin faaliyetler sırasında tükettiği kaynakların parasal temsilleri olarak ele alınır. Maliyet kotaları, ölçülebilir mühendislik iş yükleri ile bunlara karşılık gelen finansal harcamalar arasındaki bağlantı görevini görür.

Şekil 1'de gösterildiği gibi, maliyet kotaları soyut finansal tahsis kurallarından ziyade, varlık işletme ve bakım sürecinin bütününe yerleştirilmiş standartlaştırılmış muhasebe birimleri olarak işlev görür. Alt düzey varlık iş yükleri, standartlaştırılmış işletme kotalarına dönüştürülür ve ardından işçilik, malzemeler, inşaat ekipmanları, dış kaynaklı hizmetler ve acil durum malzemeleri dahil olmak üzere maliyet kategorileriyle eşleştirilir. Bu hiyerarşik eşleştirme, tahmin süreci boyunca mühendislik yorumlanabilirliğini ve düzenleyici izlenebilirliği korur ve statik baz hattı kota modelinin oluşturulması için fiziksel temeli sağlar.

Metodolojik iş akışı genel bakış

Önerilen öngörü çerçevesi üç ardışık aşamadan oluşmaktadır: (1) varlık düzeyindeki iş yükü kotaları kullanılarak fiziksel bir temel oluşturulması, (2) makroekonomik ve teknolojik düzenlemeler yoluyla maliyet kotalarının dinamik evrimi ve (3) sistematik doğrusal olmayan etkileri yakalamak için makine öğrenimi tabanlı artık telafisi. Şekil 1'de gösterildiği gibi çerçeve, alt düzey varlıklar ve standartlaştırılmış operasyonel faaliyetlerden üretim ve işletme maliyeti öngörülerine hiyerarşik bir eşleme kurar. Her bir aşamanın uygulama detayları aşağıdaki alt bölümlerde açıklanmıştır.

Varlık düzeyindeki iş yüklerine dayalı fiziksel temel maliyet modeli

Bir elektrik şebekesinin üretim ve işletme maliyeti olan Ctotal; trafo merkezi işletimi, iletim hattı bakımı, dağıtım şebekesi yönetimi, müşteri hizmetleri ve destekleyici sistemler dahil olmak üzere birçok ticari faaliyetle ilişkili harcamalardan oluşur. Bu çalışmada, temel işletme maliyetinin, her bir standartlaştırılmış operasyonel faaliyetin oluşturduğu iş yükü ve buna karşılık gelen maliyet kotası tarafından belirlendiği varsayılmaktadır.

Statik temel maliyet şu şekilde hesaplanır:

Toplam sembolleri ile C_base,t hesaplamak için kullanılan matematiksel formül; veri analizinde kullanılır.   (1)

burada Vi,k,t, t dönemi boyunca k işletme kategorisindeki i. varlık veya operasyonel görevle ilişkili iş yükünü; Qi,k ise mühendislik maliyet kotası sistemi tarafından tanımlanan ilgili standart birim maliyeti ifade eder. İşletme kategorisi; trafo merkezi bakımı, iletim hattı denetimi, dağıtım şebekesi işletimi ve müşteri hizmetleri gibi temel operasyonel fonksiyonları içerir. Çift toplam, normal şebeke işletimini sürdürmek için gereken teorik temel harcamayı tahmin etmek amacıyla tüm standart operasyonel faaliyetlerin maliyetlerini toplar.

Denklem (1), standartlaştırılmış operasyonel faaliyetleri doğrudan maliyet hesaplarına eşleyerek, mühendislik iş yükleri ile finansal harcamalar arasındaki fiziksel ilişkiyi kurar. Tamamen istatistiksel tahmin modellerinin aksine, bu formülasyon; sonraki dinamik kota ayarlamaları ve makine öğrenimi tabanlı artık düzeltmeleri için temel teşkil eden, yorumlanabilir bir mühendislik baz çizgisi sağlar. Denklem, Çin'deki eyalet güç şebekesi işletmeleri tarafından kullanılan operasyonel uygulamalar ve maliyet kota sisteminden geliştirilmiştir. Tablo 1; iş yükü (Vi,k,t), standartlaştırılmış birim maliyet (Qi,k), operasyonel görev sayısı (Nk) ve işletme kategorisi indeksi (k) dahil olmak üzere Denklem (1)'de kullanılan notasyonları özetlemektedir.

Dış çevresel bozulmalar altında kotaların dinamik evrim mekanizması

Standartlaştırılmış maliyet kotaları (Qi,k), fiziksel olarak yorumlanabilir bir temel sağlar ancak makroekonomik koşullardaki değişiklikleri veya teknolojik ilerlemeyi hesaba katmaz. Uzun vadeli uygulanabilirliklerini artırmak amacıyla, temel kotaları hem fiyat enflasyonuna hem de teknoloji kaynaklı verimlilik artışlarına yanıt olarak ayarlayacak dinamik bir evrim mekanizması getirilmiştir.

İlk düzeltme, makroekonomik enflasyondan kaynaklanan tedarik maliyetlerindeki değişiklikleri hesaba katar. Enerji şebekesi işletme ve bakımı; fiyatları Üretici Fiyat Endeksi'ndeki (PPI) dalgalanmalarla yakından ilişkili olan bakır, alüminyum ve silisli çelik dahil olmak üzere dökme malzemelere büyük ölçüde bağımlıdır. Fiyat düzeyi göstergesi ve I{PPI,t} sembolünü içeren ekonomik endeks hesaplama denklemi. baz değeri 100 olan bir endeks olduğundan, öncelikle standart bir enflasyon oranına dönüştürülür:

Fiyat endeksi formülü, ÜFE hesaplaması, enflasyon analizi ve ekonomik araştırma denklemi.   (2)

Bu temelde, fiyat düzeltme fonksiyonu Statik denge formülü Φ(I[PPI],t), denklem, fizik, denge prensibi, araştırma analizi. şöyle tanımlanır:

Statik denge formülü, Σ çarpım notasyonu, eğitimsel matematik kavramı, denklem analizi.   (3)

burada Statik denge, ΣF=0, MA=0; diyagram, yapısal analiz ve eğitim amaçlı dengelenmiş kuvvetleri göstermektedir., aşağıdakini sağlayan L uzunluğundaki bir lag-ağırlık vektörüdür

Statik denge formülü, Σωτ=1, ωτ≥0, toplam analizi için matematiksel denklem.

Gecikme yapısı, makroekonomik enflasyonun enerji şebekesi tedarik zincirindeki tedarik maliyetlerine gecikmeli aktarımını temsil eder. PPI endeksinin standartlaştırılmış bir enflasyon oranına dönüştürülmesi, endeks değerlerinin doğrudan kullanımından kaynaklanan ölçekleme yanlılığından kaçınırken fiyat değişimlerinin kümülatif etkisini korur. Denklem (2) ve (3), yerleşik makroekonomik enflasyon ayarlama modellerinden uyarlanmış olup, gecikme yapısı enerji sektörü tedarik döngülerine göre kalibre edilmiştir33,34.

Teknolojik ilerleme; insansız hava aracı denetimi, akıllı robotik ve dijital bakım teknolojileri gibi gelişmelere bağlı olarak operasyonel verimlilikteki artışları yansıtan bir maliyet azaltma faktörü aracılığıyla dahil edilmiştir. Teknoloji düzeltme faktörü şu şekilde tanımlanır:

Teknoloji büyümesini örnekleyen ekonomik model denklemi, Γ(E_tech,t)=1-α·ln(1+β·E_tech,t).  (4)

Bu bölümde, α ve β, doğrusal olmayan en küçük kareler yöntemi kullanılarak tarihsel panel verilerinden tahmin edilen ampirik esneklik katsayılarıdır. Teknolojik ilerleme faktörünün her zaman birim kota maliyetinde makul bir azalmayı temsil etmesini sağlamak için, parametre tahmin süreci 0 < Γ(Etech,t) ≤ 1 şeklinde kısıtlanmıştır. Bu faktörün öncelikle, olgun teknolojinin ikamesinden kaynaklanan uzun vadeli verimlilik artışını yansıttığı belirtilmelidir. Denklem (4), enerji teknolojisi maliyet literatüründeki35,36 öğrenme eğrisi kavramını şebeke bakım operasyonlarına uyarlayan, bu çalışmaya özgü orijinal bir yaklaşımdır. Eski ve yeni sistemlerin paralel çalıştırılması, platform entegrasyonu, iletişim testleri ve ek bakım gibi dijital ekipman kurulumunun erken aşamalarında ortaya çıkabilecek ek maliyetler, temel kotadan zorla düşülmemiştir; bunun yerine, bu maliyetler sonraki makine öğrenimi artık telafi modülü tarafından belirlenmektedir:

Statik denge formülü, C_quota,t = C_base,t · Φ(PPI,t) · Γ(E_tech,t), denklemler, analiz.  (5)

burada Cbase,t , en alt düzey varlık iş yüklerinden ve standartlaştırılmış işletme maliyeti kotalarından hesaplanan statik temel maliyeti ifade eder; Statik denge formülü Φ(I[PPI],t), denklem, fizik, denge prensibi, araştırma analizi. makro fiyat dalgalanmalarının malzeme, ekipman ve dış hizmet fiyatları üzerindeki iletim etkisini yakalar; ve Γ(Etech,t) teknoloji olgunluğu sonrası birim işletme ve bakım maliyetlerindeki verimlilik tabanlı azalmayı yansıtır. Yukarıdaki dinamik evrim mekanizması aracılığıyla, kota temeli artık statik bir muhasebe bazında kalmaz, aksine ekonomik ortamlardaki ve teknolojik koşullardaki değişikliklere göre adaptif olarak ayarlanabilir. Denklem (5) bu çalışmaya özgüdür ve fiyat ile teknoloji düzeltmelerinin kota temeli çerçevesine yeni entegrasyonunu temsil eder.

Kota kısıtlamaları altında sistematik doğrusal olmayan kalıntı yakalama

Karmaşık evrimsel düzeltmelere rağmen, kota modeli, öngörülemeyen felaket kaynaklı hava durumu bozulmaları ve geçici tarife indirimi dönemlerinde artan müşteri hizmetleri şikayet yönetimi maliyetleri gibi ani politika yönergeleriyle karşılaştığında kaçınılmaz olarak sistematik sapmalar oluşturur. Bu sapma, denklemin her iki tarafında kalıntı terimini oluşturur:

Rt=Cactual,t-Cquota,t  (6)

Geleneksel fiziksel kurallar bu yönü açıklayamadığı için, makine öğrenimi bu sınırlamaları giderebilir. Yüksek boyutlu özelliklerin neden olduğu boyutluluk lanetinden kaçınmak için bu çalışma, Rt arasındaki doğrusal olmayan ilişkiyi modellemek amacıyla karar ağacı topluluklarına dayalı XGBoost algoritmasını kullanmaktadır37,38. Yıllık aşırı donma günleri Dice  gibi meteorolojik özellikler ile makro politika yoğunluğunu içeren güçlü bir rahatsızlık özellik matrisi Xt tanımlanmıştır.

Regresyon ağaçlarından oluşan doğrusal olmayan bir kompanzatör için, öngörülen kalıntının Yakınsama analizi için R-şapka sembolü, istatistiksel yöntemi örnekleyen grafik formatındaki formül. oluşturma mantığı şu şekilde ifade edilebilir39:

Gradyan artırma tahmin denklemi, matematiksel formül, Σ fm(Xt), algoritma, veri modelleme.   (7)

burada F, tüm olası sınıflandırma ve regresyon ağacı yapıları uzayını ifade eder. Uyum doğruluğu ile aşırı öğrenmenin önlenmesi arasında denge kurmak için, yapısal karmaşıklık ceza terimi içeren düzenlenmiş bir amaç fonksiyonu oluşturulur ve m-inci yinelemede minimize edilir:

Veri analizi uyumu için toplamı ifade eden matematiksel optimizasyon denklemi.   (8)

burada Kuantum süperpozisyon ket gösterimi |0⟩, kuantum mekaniği formülü, fizik diyagramlarında kullanılır. gerçek artık ile tahmin edilen artık arasındaki farkı ölçen konveks bir kayıp fonksiyonudur. Bu çalışma, modelin anormal zirve harcamalara karşı dayanıklılığını artırmak için Huber Kaybı'nı benimsemektedir. Düzenlileştirme terimi Ohm kanunu sembolü; matematik denkleminde Omega fonksiyonu; formül gösterimi. ağaç yapısının karmaşıklığını sınırlamak için kullanılır ve şu şekilde tanımlanır:

Optimizasyon denklemi Ω(fm)=γTm+(1/2)λ||wm||^2; matematiksel formül; eğitim amaçlı kullanım.   (9)

burada Tm m-inci ağaçtaki yaprak düğümlerinin sayısını, wm karşılık gelen yaprak ağırlık vektörünü, γ ve λ ise sırasıyla yaprak düğüm sayısı ceza katsayısını ve ağırlık düzenlileştirme katsayısını temsil eder.

Nihai öngörü denklemi şöyledir:

Ekonomik modelleme denklemi, kaynak tahsisi formülü, finansal analiz yöntemi, denklem görüntüsü.   (10)

Şu şekilde daha genişletilmiştir:

Dinamik kota baz hattı denklemi; doğrusal olmayan artık telafisi; formül analiz yöntemi.   (11)

Yukarıdaki formül, önerilen tahmin modelinin kapalı döngü yapısını matematiksel olarak temsil etmektedir. Nihai üretim ve işletme maliyeti talebi, doğrudan makine öğrenimi modeli tarafından oluşturulmaz; bunun yerine, makine öğrenimi modülü tarafından tanımlanan doğrusal olmayan artık telafisinin dinamik kota temel çizgisi üzerine bindirilmesiyle elde edilir. Bu bileşenler arasında fiyat ve teknoloji faktörleri öncelikle kota temel çizgisinin dinamik evrimini yansıtırken; iklim şokları, politika bozulmaları ve onarım olaylarındaki artışlar gibi kurallar yoluyla açıkça karakterize edilmesi zor olan faktörler, makine öğrenimi artık telafi modülü tarafından yakalanır. Denklem (10) ve (11) bu çalışmaya özgüdür ve fiziksel temel çizgisi ile ML tabanlı artık yakalamayı birleşik bir tahmin çerçevesinde sentezler.

Şekil 2, önerilen modelin tahmin sonuçlarının net bir hiyerarşik oluşturma mantığı sergilediğini göstermektedir. Bir yandan, temel kota, maliyet talebi için istikrarlı, şeffaf ve denetlenebilir bir fiziksel temel sağlamakta; diğer yandan, fiyat düzeltmeleri, teknoloji etkileri ve dış şok kalıntıları, modelin karmaşık ortamlar altındaki dinamik değişikliklere uyum sağlamasına olanak tanımaktadır. Tahmin edilen değerleri doğrudan çıktı olarak veren kara kutu modellerle karşılaştırıldığında, bu ayrıştırma yapısı "maliyetlerin neden arttığını veya azaldığını" açıkça ortaya koyabilmekte, böylece bütçe incelemesi ve iletim-dağıtım tarifesi düzenlemelerinde model sonuçlarının yorumlanabilirliğini artırmaktadır.

Veri kaynakları ve toplama prosedürleri

Teorik modellerin pratik faydalarını kanıtlamak için ampirik veriler aracılığıyla titizlikle doğrulanmaları gerekir. Güç sektörünün temel finansal verileri ulusal altyapı operasyonlarıyla ilgili hassas bilgiler içerdiğinden, bu çalışma, kolaylık sağlaması adına E-Grid olarak adlandırılan ve Doğu Çin'de tipik bir eyalet güç şebekesini temsil eden, 2010'dan 2025'e kadar birbirini takip eden 16 takvim yılını kapsayan yüksek hassasiyetli, anonimleştirilmiş aylık muhasebe verilerini kullanmaktadır. Söz konusu eyalet, geleneksel ağır sanayi odaklı büyümeden yüksek teknolojili imalata geçişle karakterize edilen tipik bir ekonomik döngü geçirmiş olup, şebeke varlık ölçeğinin yıllık bileşik büyüme oranı %7,4'e ulaşmıştır. Bu nedenle, maliyet yapısının karmaşık evrimi, hızla gelişen diğer şebeke sistemleri için de potansiyel bir önem taşımaktadır. Veriler üç ana kaynaktan elde edilmiştir: (1) varlık düzeyindeki iş yüklerini, denetim sıklıklarını ve onarım olaylarını kaydeden dahili işletme ve bakım günlükleri; (2) iş gücü, malzemeler, ekipmanlar ve dış kaynaklı hizmetler genelinde aylık maliyet tabloları sağlayan finansal muhasebe sistemleri; ve (3) Çin Meteoroloji İdaresi'nden alınan meteorolojik kayıtlar ile Ulusal İstatistik Bürosu'ndan alınan makroekonomik göstergeleri içeren harici çevre veri tabanları.

Kalite kontrolü ve eksik veri işleme

Çok kaynaklı sistemlerden entegre edilen 130'dan fazla başlangıç göstergesi için titiz bir kalite kontrol prosedürü uygulanmıştır. Toplam gözlemlerin %3'ünden azını oluşturan eksik veri noktaları, zamansal eğilimler gösteren sürekli değişkenler için doğrusal interpolasyon ve kategorik göstergeler için mod imputasyonu kullanılarak yönetilmiştir. Aykırı değerler çeyrekler arası aralık (IQR) yöntemiyle belirlenmiş; veri bütünlüğünü korumak ve aşırı değer bozulmasını azaltmak amacıyla üçüncü çeyreğin 3,0 katını aşan değerler 99. persentile winsorize edilmiştir.

Örneklem büyüklüğü değerlendirmeleri

Veri seti, 156 gözlemi (2010–2022) eğitim ve doğrulama için ayrılmış ve 36 gözlemi (2023–2025) örneklem dışı testler için saklanmış toplam 192 aylık gözlemden (Ocak 2010–Aralık 2025) oluşmaktadır. Bu örneklem büyüklüğü derin öğrenme uygulamaları için nispeten mütevazı olsa da, düzenlileştirme ve ağaç budama mekanizmaları sayesinde küçük ve orta ölçekli tablolu veri setlerinde yüksek performans göstermek üzere özel olarak tasarlanan XGBoost algoritması için uygundur. Potansiyel aşırı öğrenme (overfitting) risklerini azaltmak için (1) katı düzenlileştirme cezaları uygulandı (γ = 0.1, λ = 1.0), (2) 50 tur sabır süreli erken durdurma kullanıldı ve (3) muhafazakar ağaç derinliği kısıtlamaları getirildi (max depth = 5). Bu önlemler, sınırlı örneklem boyutuna rağmen model kararlılığını ve genellenebilirliğini toplu olarak sağlar.

Veri segmentasyonu ve çok kaynaklı heterojen entegrasyon

Sıkı bir test süreci için, Ocak 2010'dan Aralık 2022'ye kadar olan veriler, kota evrim faktörlerini ve kota telafi artık ağını eğitmek için kullanılan ve 156 gözlem içeren eğitim-doğrulama aralığına atanmıştır. Ocak 2023–Aralık 2025 arası ise 36 gözlem içeren, dışarıda tutulan örneklem dışı test seti olarak ayrılmıştır. Bu dönemin nihai test alanı olarak seçilme nedeni nedir? Bunun sebebi, bu üç yılın yeni tip güç sistemi inşasının hızlanmasıyla aynı zamana denk gelmesi ve buna geniş ölçekli, El Niño kaynaklı ekstrem yüksek sıcaklık olayları ile dağıtık yenilenebilir üretimin hızlı ve dengesiz büyümesinin eşlik etmesidir. Güç şebekesi, malzeme tedarik zincirleri ve onarım işgücü tahsisi konusunda benzeri görülmemiş bir baskıyla karşı karşıya kalmıştır.

Maliyet artırıcı faktörlerin bilimsel seçimi ve nicel tanımı, makine öğrenimi artık ağının sistematik dalgalanmaları etkili bir şekilde yakalayabilmesinin temelini oluşturur. Güç sistemlerindeki standart işletme maliyetlerinin yönetim mantığına dayanan bu çalışma, yalnızca geçmiş nakit akışlarına güvenen geleneksel finansal öngörülerin tek boyutlu yapısını aşarak; orijinal işletme günlüklerini ve harici sistem defterlerini kullanarak özellik mühendisliğini dört temel sınır üzerinden yeniden yapılandırır: fiziksel varlık ölçeği, işletme ve bakım koşulları, makroekonomik evrim ve dış iklim ortamı. Gerçek modelleme sürecinde, çok kaynaklı sistem entegrasyonu sonucu ortaya çıkan 130'tan fazla orijinal gösterge için, bu çalışma |r| > 0.85 eşik değeriyle yüksek derecede kolineer olan gereksiz değişkenleri elemek amacıyla Pearson korelasyon testlerini kullanır. Kıdemli şebeke uzmanlarının ön bilgileri doğrultusunda, özellik matrisi Xt'yi oluşturmak için nihayetinde 42 temel giriş özelliği seçilmiştir. Giriş tensörünün temel veri yapısını ve dağılımını açıkça sunmak için Tablo 2, yukarıdaki dört değerlendirme boyutundan 12 temsilci temel özelliği seçer ve bunların gözlem süresi boyunca tanımlayıcı istatistiklerini özetler.

Çok kaynaklı özellik sisteminin uzamsal-topolojik temelini daha detaylı göstermek için, Şekil 3 incelenen eyalet elektrik şebekesinin anonimleştirilmiş şematik topolojisini sunmaktadır. Şekil; gerilim seviyesi trafo merkezlerini, iletim koridorlarını, dağıtık yenilenebilir enerji kümelerini, yük merkezlerini ve temsili çevresel bozulma bölgelerini üst üste bindirmektedir. Bu topoloji, üretim ve işletme maliyetlerinin neden varlık ölçeği, şebeke yapısı, acil onarım yoğunluğu ve dış iklim şoklarından ortaklaşa etkilendiğini açıklamaya yardımcı olur. Ayrıca, XGBoost kompanzasyon modülünde kullanılan artık-sürücü değişkenler için uzamsal bir yorumlama temeli sağlar.

Tablo 2, farklı işletme boyutlarındaki açıklayıcı değişkenlerin belirgin şekilde farklı istatistiksel formlar sergilediğini göstermektedir. Trafo merkezi kapasitesi ve hat uzunluğu gibi endojen işletme gelişim dinamiklerini temsil eden fiziksel varlık değişkenleri, 0,1 ile 0,8 arasında yoğunlaşan nispeten kararlı standart sapma ve çarpıklık değerlerine sahiptir. Genel veri yapıları yaklaşık olarak normal dağılımdadır ve bu durum, altyapı inşaat döngüsündeki istikrarlı güç şebekesi gelişim özelliğini objektif olarak yansıtmaktadır. Tablonun alt kısmındaki meteorolojik ve dış çevresel bozulma değişkenleri ise buna tam bir zıtlık göstermektedir. Örneğin, son 90 gün boyunca uyarı seviyesindeki yüksek sıcaklıklı günlerin kümülatif sayısı ve hat açma etki indeksi, sırasıyla 2,15 ve 2,45 çarpıklık değerleri ile aşırı güçlü sağa çarpıklık sergilemektedir. Bu tipik ağır kuyruklu dağılım, gerçek güç şebekesi işletme ve bakımında göz ardı edilemeyecek objektif bir sorun noktasını doğrulamaktadır: ekstrem hava felaketleri yıllık zaman çizelgesinde nispeten seyrek meydana gelse de, tetiklendiklerinde genellikle onarım iş gücü girdisinde ve yedek parça tüketiminde eksponansiyel artışlara neden olmaktadırlar. Başka bir bakış açısıyla, bu çok kaynaklı özelliklerin dağılımındaki yüksek düzensizlik ve uç değer çarpıklığı, karmaşık güç şebekesi maliyetlerini izlerken normallik ve homoskedastisite varsayımlarına dayanan ARIMAX gibi geleneksel doğrusal zaman serisi modellerinin teorik sınırlamalarını ortaya koymaktadır. Bu durum, fiziksel muhasebe temel hattının ötesinde bir makine öğrenimi modülü eklemenin rasyonelliğini daha da pekiştirmekle kalmayıp, aynı zamanda maliyet kalıntılarını yaklaşık olarak hesaplamak için seyrek özellik dağılımlarını ve doğrusal olmayan eşlemeleri verimli bir şekilde işleyebilen XGBoost ağaç modelinin bu çalışmadaki seçimi için sağlam istatistiksel destek sağlamaktadır.

Hiperparametre optimizasyonu ve değerlendirme sistemi kurulumu

Özellik giriş alanı belirlendikten sonra, model hiperparametrelerinin ayarlanması, artık yaklaşıklık ağının uyum performansını doğrudan etkiler. XGBoost kompanzasyon ağı; ağaç derinliği (max depth), öğrenme hızı ve düzenlileştirme ceza terimleri dahil olmak üzere birden fazla parametre içerdiğinden ve bu parametreler doğrusal olmayan etkileşimlere sahip olduğundan, geleneksel ızgara araması (grid search) yalnızca yüksek hesaplama karmaşıklığına sahip olmakla kalmaz, aynı zamanda yüksek boyutlu alanlarda yerel minimumlara takılma eğilimi gösterir. Bu nedenle, bu çalışma, parametre ayarlama sürecine bir Bayesyen optimizasyon yöntemi olan Ağaç Yapılı Parzen Tahmincisi'ni (Tree-structured Parzen Estimator - TPE) dahil etmektedir. TPE algoritması, önceki değerlendirmelerden gelen kayıp fonksiyonu geri bildirimlerini kullanarak sonraki örnekleme yönlerini dinamik olarak yönlendirebilir. Hedef değişkenin bir sonsal çekirdek yoğunluk tahmini (KDE) oluşturarak, parametre arama alanını uyarlamalı olarak daraltır ve modelin yüksek hesaplama maliyetine katlanmadan küresel optimal hiperparametre konfigürasyonunu yaklaşık olarak belirlemesini sağlar. TPE optimizasyon hedefi, 100 iterasyon boyunca doğrulama RMSE değerini minimize etmek olup, iyileşme görülmeyen 50 turdan sonra erken durdurma uygulanmıştır.

Dahili doğrulama seti üzerinde parametre optimizasyonu tamamlandıktan sonra, her bir modelin örneklem dışı test seti üzerindeki nihai performansını objektif olarak değerlendirmek ve düzenleyici kurumların maliyet doğrulaması için gereken nicel değerlendirme gereksinimlerini karşılamak amacıyla, bu çalışmada tahmini dizideki göreceli sapmayı belirlemek için ortalama mutlak yüzde hata (MAPE) kullanılmıştır. Aynı zamanda, operasyonlarda aşırı maliyet tahmini hatalarını kontrol etmeye yönelik pratik ihtiyacı karşılamak için, daha büyük hatalara daha ağır cezalar uygulamak amacıyla karekök ortalama kare hata (RMSE) da eklenmiştir. Son olarak, belirleme katsayısı R2, regresyonun gerçek hedef varyansına göre genel açıklayıcı gücünü nicel olarak belirler.

İndikatörlerin matematiksel tanımları şu şekildedir:

Ortalama Mutlak Yüzde Hata (MAPE) formülü; istatistiksel analiz; hata ölçüm hesaplaması.   (12)

Kök Ortalama Kare Hata (RMSE) denklemi; istatistiksel hata ölçümü; formül gösterimi.    (13)

İstatistiksel regresyon analizi için R² formülü; veri uyum doğruluğu değerlendirmesi için denklem diyagramı.   (14)

burada Dinamik akış gerilmesi denklemi, matematiksel ifadede C_actual,t sembolü, malzeme mekaniği. t dönemindeki gerçek üretim ve işletme maliyetini, Şapkalı toplam konsantrasyon denklemi, \( \hat{C}_{total,t} \), bilimsel analiz bağlamında. model tarafından öngörülen maliyeti, Vektör notasyonu denklemi, C'nin üzerinde bir ok bulunan C_actual, fizik kavramlarıyla ilgili. test örneğindeki ortalama gerçek maliyeti ve N ise test setindeki örnek sayısını temsil eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Tahmin doğruluğunun panoramik boyut indirgenmiş karşılaştırması

Tüm Ağ Yapılı Parzen Tahmincisi (TPE) ile optimize edilmiş modeller, pandemi sonrası toparlanma dalgalanmalarını ve aşırı yüksek sıcaklık olaylarını içeren 2023–2025 örneklem dışı test seti üzerinden değerlendirildiğinde, yaygın tahmin algoritmalarının performansı objektif bir şekilde karşılaştırılabildi. Titiz ve kapsamlı bir değerlendirme sağlamak amacıyla, farklı metodolojik yaklaşımları temsil eden dört kıyasl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, endüstriyel maliyet kotalarının makine öğrenimi ile entegre edilmesinin, uzun vadeli enerji şebekesi maliyet öngörüleri için yorumlanabilir ve doğru bir çerçeve sunduğunu kanıtlamaktadır. Sonuçlar, iklimle ilgili değişkenlerin, özellikle aşırı yüksek sıcaklıktaki günlerin ve hat kesintisi etki indekslerinin, maliyet kalıntılarının baskın itici güçleri olduğunu göstermekte ve dış bozulmaların kamu hizmeti harcamaları üzerindeki artan etkisini vurgulamaktadır. Bu bulgular, hava durumuyla ilgili maliyetlerin art...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Tüm yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler.

YAZAR KATKILARI:
Xiaohui Wang çalışmayı tasarlayıp kurgulamış, metodolojiyi geliştirmiş, formal analizleri gerçekleştirmiş ve orijinal taslağı kaleme almıştır. Tong Li veri kürasyonu, yazılım uygulaması ve doğrulamaya katkıda bulunmuştur. Yanchao Lu metodolojinin geliştirilmesine, araştırmaya ve verilerin yorumlanmasına katkıda bulunmuştur. Quanfeng Lv kaynak sağlamış, veri toplama sürecini denetlemiş ve taslağı kritik olarak gözden geçirmiştir. Fan Liu projeyi yönetmiş, kavramlaştırmaya ve sonuçların yorumlanmasına katkıda bulunmuş, finansmanı sağlamış ve taslağı kritik olarak revize etmiştir. Tüm yazarlar taslağın final versiyonunu incelemiş ve onaylamıştır

Teşekkürler

Bu çalışma, Çin Devlet Şebeke Kurumu'nun (State Grid Corporation of China) "Üretim ve İşletme Maliyet Tahsis Analizi ve Asenkron Optimizasyon Teknolojisi Üzerine Araştırma" isimli Teknoloji Projesi (Proje numarası: 520600250029-183-ZN) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
E-Grid anonimleştirilmiş aylık muhasebe veri setiDoğu Çin'deki eyalet güç şebekesiYOKFiziksel varlık, işletme ve bakım, makroekonomik ve çevresel veriler dahil olmak üzere 192 gözlemden oluşan anonimleştirilmiş aylık üretim ve işletme maliyeti veri seti (2010–2025). Model geliştirme (156 gözlem) ve örneklem dışı testler (36 gözlem) için kullanılmıştır.
Matplotlib çizim kütüphanesiMatplotlib geliştirme ekibi3.5.2Model performans grafikleri, topoloji görselleştirmeleri, artık tanılamaları, radar grafikler ve SHAP ile ilgili görsel özetler dahil olmak üzere makale şekillerini ve grafik çıktılarını oluşturmak için kullanılmıştır.
NumPy sayısal hesaplama kütüphanesiNumPy geliştiricileri1.22.3Sayısal dizi işlemleri, matris hesaplamaları ve tekrarlanabilirlik kontrolü için kullanılmıştır. İlgili yerlerde 42 sabit rastgele tohumu uygulanmıştır.
Pandas veri manipülasyon kütüphanesipandas geliştirme ekibi1.4.2Eksik değer ataması, zaman serisi hizalaması ve model giriş değişkenlerinin hazırlanması dahil olmak üzere veri aktarımı, entegrasyonu, yeniden yapılandırılması, filtrelenmesi ve ön işlemesi için kullanılmıştır.
Python programlama ortamıPython Software Foundation3.9.13Veri ön işlemesi, özellik mühendisliği, model eğitimi, hiperparametre optimizasyonu, tahmin, istatistiksel testler ve performans değerlendirmesi dahil olmak üzere tüm öngörü iş akışını uygulamak için kullanılan programlama ortamıdır.
Scikit-learn makine öğrenimi kütüphanesiscikit-learn katılımcıları1.0.2Veri ön işlemesi, eğitim-doğrulama ayrımı, yardımcı model değerlendirmesi ve Pearson korelasyon analizi ile seçili performans metriklerinin hesaplanması dahil olmak üzere istatistiksel prosedürler için kullanılmıştır.
SciPy bilimsel hesaplama kütüphanesiSciPy katılımcıları1.9.0Pearson korelasyon analizi ile aykırı değer işleme ve winsorizasyon için destekleyici prosedürler dahil olmak üzere istatistiksel hesaplamalar için kullanılmıştır.
Ağaç yapılı Parzen Tahmincisi uygulamasıOptuna katılımcıları3.1.0Maksimum ağaç derinliği, öğrenme hızı ve düzenlileştirme parametreleri dahil olmak üzere XGBoost hiperparametrelerini ayarlamak için kullanılan Bayesyen optimizasyon uygulamasıdır. Ağaç yapılı Parzen Tahmincisi, açık kaynaklı Optuna paketi aracılığıyla uygulanmıştır.
XGBoost yazılım kütüphanesiDMLC / XGBoost katılımcıları1.7.1Doğrusal olmayan artık telafisi için kullanılan karar ağacı tabanlı topluluk öğrenme kütüphanesidir. Model, Denklem 7–9'da açıklandığı üzere, Huber kaybı ve ağaç karmaşıklığı cezaları ile düzenlileştirilmiş bir amaç fonksiyonu uygulamıştır.

Kaynaklar

  1. Rao H, Li J, Sun X. Demand forecasting and allocation optimization of green power grid supply chain based on machine learning algorithm: A study based on the whole-process data of power grid materials. Sustainability. 2025;17(3):1247.
  2. Huang C, et al. Demand response for industrial micro-grid considering photovoltaic power uncertainty and battery operational cost. IEEE Trans Smart Grid. 2021;12(4):3043-3055.
  3. Phuangpornpitak N, Prommee W. A study of load demand forecasting models in electric power system operation and planning. GMSARN Int J. 2016;10:19-24.
  4. Nasir J, et al. A hybrid LMD–ARIMA–machine learning framework for enhanced forecasting of financial time series: Evidence from the NASDAQ Composite Index. Mathematics. 2025;13(15):2389.
  5. Matos C, et al. Model for integrating the electricity cost consumption and power demand into aggregate production planning. Appl Sci. 2022;12(15):7577.
  6. Valenzuela J, Mazumdar M, Kapoor A. Influence of temperature and load forecast uncertainty on estimates of power generation production costs. IEEE Trans Power Syst. 2000;15(2):668-674.
  7. Khan F, et al. A hybrid vector autoregressive model for accurate macroeconomic forecasting: An application to the US economy. Mathematics. 2025;13(11):1706.
  8. Fatema I, Kong X, Fang G. Electricity demand and price forecasting model for sustainable smart grid using comprehensive long short-term memory. Int J Sustain Eng. 2021;14(6):1714-1732.
  9. Singh AK, Ibraheem SK, Muazzam M, Chaturvedi DK. An overview of electricity demand forecasting techniques. Netw Complex Syst. 2013;3(3):38-48.
  10. Iftikhar H, et al. A novel hybrid framework for forecasting stock indices based on nonlinear time series models. Comput Stat. 2025;40(8):4163-4186.
  11. Jiang P, Li R, Lu H, Zhang X. Modeling of electricity demand forecast for power system. Neural Comput Appl. 2020;32(11):6857-6875.
  12. Chan SC, et al. Load/price forecasting and managing demand response for smart grids: Methodologies and challenges. IEEE Signal Process Mag. 2012;29(5):68-85.
  13. Hernandez L, et al. A survey on electric power demand forecasting: Future trends in smart grids, microgrids and smart buildings. IEEE Commun Surv Tutor. 2014;16(3):1460-1495.
  14. Zareipour H, Canizares CA, Bhattacharya K. Economic impact of electricity market price forecasting errors: A demand-side analysis. IEEE Trans Power Syst. 2009;25(1):254-262.
  15. Botterud A. Forecasting renewable energy for grid operations. In: Renewable Energy Integration. Academic Press; 2017:133-143.
  16. Mirowski P, Chen S, Ho TK, Yu CN. Demand forecasting in smart grids. Bell Labs Tech J. 2014;18(4):135-158.
  17. Sobu A, Wu G. Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand. In: IEEE PES Innovative Smart Grid Technologies [conference proceedings]. IEEE; 2012. Available at: https://ieeexplore.ieee.org/
  18. Han B, et al. Optimal design of an on-grid microgrid considering long-term load demand forecasting: A case study. Distrib Gener Altern Energy J. 2020;35:345-362.
  19. Tripathy SC. Demand forecasting in a power system. Energy Convers Manag. 1997;38(14):1475-1481.
  20. Adshead NS, Price DH. Demand forecasting and cost performance in a model of a real manufacturing unit. Int J Prod Res. 1987;25(9):1251-1265.
  21. Gellert A, et al. A study on forecasting electricity production and consumption in smart cities and factories. Int J Inf Manage. 2019;49:546-556.
  22. Hernández L, et al. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Commun Mag. 2013;51(1):106-113.
  23. Klingler AL, Teichtmann L. Impacts of a forecast-based operation strategy for grid-connected PV storage systems on profitability and the energy system. Sol Energy. 2017;158:861-868.
  24. Ghalehkhondabi I, Ardjmand E, Weckman GR, Young WA. An overview of energy demand forecasting methods published in 2005–2015. Energy Syst. 2017;8(2):411-447.
  25. Aderibigbe AO, et al. Enhancing energy efficiency with AI: A review of machine learning models in electricity demand forecasting. Eng Sci Technol J. 2023;4(6):341-356.
  26. Arumugham V, et al. An artificial-intelligence-based renewable energy prediction program for demand-side management in smart grids. Sustainability. 2023;15(6):5453.
  27. Dudek G, Piotrowski P, Baczyński D. Intelligent forecasting and optimization in electrical power systems: Advances in models and applications. Energies. 2023;16(7):3024.
  28. Liu N, et al. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids. Appl Energy. 2014;129:336-345.
  29. Mohammad AA, et al. Mathematical and statistical modelling of electricity demand forecasting using artificial neural networks and SARIMA: Implications for energy supply chain planning. Alex Eng J. 2026;139:98-108.
  30. Singh AR, et al. A blockchain-enabled multi-agent deep reinforcement learning framework for real-time demand response in renewable energy grids. Energy Strateg Rev. 2025;62:101905.
  31. Lu R, et al. Data-driven real-time price-based demand response for industrial facilities energy management. Appl Energy. 2021;283:116291.
  32. Kondaiah VY, Saravanan B, Sanjeevikumar P, Khan B. A review on short-term load forecasting models for micro-grid application. J Eng. 2022;2022(7):665-689.
  33. Lee BL, Wilson C, Simshauser P, Majiwa E. Deregulation, efficiency and policy determination: An analysis of Australia's electricity distribution sector. Energy Econ. 2021;98:105210.
  34. Wang Y, et al. Transmission network expansion planning considering wind power and load uncertainties based on multi-agent DDQN. Energies. 2021;14(19):6073.
  35. Ding Q, Zhao H. Study on e-commerce logistics cost control methods in the context of COVID-19 prevention and control. Soft Comput. 2021;25(18):11955-11963.
  36. Duan Y, Xu Z, Chen H, Wang Y. Novel machine learning approach for enhanced smart grid power use and price prediction using advanced Shark Smell-tuned flexible support vector machine. Sci Rep. 2025;15(1):20909.
  37. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining [conference proceedings]. San Francisco, CA, USA; 2016. Available at: https://doi.org/10.1145/2939672.2939785
  38. Lin KY, et al. Predictive maintenance in industrial systems: An XGBoost-based approach for failure time estimation and resource optimization. J Ind Prod Eng. 2025;42(8):876-899.
  39. Ajayi OO, Kurien AM, Djouani K, Dieng L. A proactive predictive model for machine failure forecasting. Machines. 2025;13(8):663.
  40. Lundberg SM, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56-67.
  41. Chen H, Gao T, Wang L, Guo P. Explainable machine learning methods for predicting electricity consumption in a long-distance crude oil pipeline. Sci Rep. 2025;15(1):43305.
  42. Neubauer A, Brandt S, Kriegel M. Explainable multi-step heating load forecasting: Using SHAP values and temporal attention mechanisms for enhanced interpretability. Energy AI. 2025;20:100480.
  43. Ahmad T, Chen H. Potential of three variant machine-learning models for forecasting district-level medium-term and long-term energy demand in smart grid environment. Energy. 2018;160:1008-1020.
  44. Masa-Bote D, et al. Improving photovoltaics grid integration through short-time forecasting and self-consumption. Appl Energy. 2014;125:103-113.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Daha fazla makale keşfet

Maliyet ÖngörüsüGüç Şebekesi VerileriKota Tabanlı ÖngörüXGBoost ModeliSHAP YorumlamasıElektrik Piyasası Reformuİletim TarifeleriDüzenleyici Maliyet DoğrulamasıMakine Öğrenmesi Öngörüsü
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.