Enerji kullanımı, küresel karbondioksit emisyonlarının günümüzdeki en büyük sorumlusudur. Bu büyük çaplı tüketimi anlık olarak tahmin edip yönetmek ciddi bir problem yaratmaktadır. Ancak yeni geliştirilen bir yapay zeka mimarisi, enerji tüketim alışkanlıklarını analiz ederek sadece birkaç saniye içinde oldukça isabetli karbon tahminleri yapabiliyor.1
Eski sistemler neden yeterli gelmiyor?
Şebeke operatörleri veya bina yöneticileri yıllardır ARIMA gibi geleneksel istatistiksel modelleri kullanıyor. Fakat bu eski sistemler, günümüzün akıllı şebekelerindeki ani dalgalanmalara veya doğrusal olmayan veri akışlarına ayak uydurmakta epey zorlanıyor. Tahminler güvenilir olmayınca, tesislerin karbon yönetim stratejileri de ister istemez “tepkisel” (olay olduktan sonra müdahale eden) bir yapıya sıkışıp kalıyordu. Haliyle, sanayinin uzun vadeli karbonsuzlaştırma hedefleri sürekli sekteye uğruyordu.
Çekişmeli ağların gücü: BO-TransGAN
Araştırmacılar tam da bu noktada ezber bozan bir sistem tasarladı. BO-TransGAN adı verilen bu yeni çerçeve, Transformer mimarisi ile çekişmeli öğrenme (adversarial learning) tekniklerini tek bir potada eritiyor. Bu sayede sistem, enerji kullanımındaki karmaşık zaman bağlantılarını ve anlık çevresel değişimleri dışarıdan bir insan müdahalesine (manuel veri mühendisliğine) ihtiyaç duymadan kendi kendine çözebiliyor. Üstelik ağlar arasında dönen bu sürekli “rekabet” hali, sistemin ürettiği tahminleri gerçek dünyadaki verilerden neredeyse ayırt edilemeyecek seviyeye getirerek modelin tahmin isabetini benzeri görülmemiş bir noktaya taşıyor.2
Çalışma mekanizması temel olarak, sürekli bir rekabet içinde olmalarına rağmen bu süreç sayesinde birbirlerini eğiten iki yapay ağın döngüsüne dayanır. Bunlardan biri Enerji Tahmin Ağı (EFN). Bu bölüm, tüketim verilerindeki karmaşık zaman kalıplarını öğrenmekle görevli. Günlük ve mevsimsel döngüler gibi uzun vadeli hareketleri, insanların müdahalesine gerek kalmadan kendi kendine yakalıyor. Diğeri ise işin denetmenliğini yapan Karbon Değerlendirme Ağı (CEN). Üretilen tahminleri gerçek verilerle karşılaştırıp not verircesine sisteme yüklüyor. Üstelik bunu yaparken, sistemin sadece eldeki verilere uymasını değil, “karbon bilincine sahip” kararlar almasını zorunlu kılıyor. Tüm bu süreç, Bobcat Optimizasyonu (BO) adı verilen bir mekanizmayla desteklenerek, tahmin hatalarını ve karbon sapmalarını eşzamanlı olarak sıfıra yaklaştırıyor.
Laboratuvardaki veriler gerçeği yansıtıyor mu?
Kağıt üzerindeki bu başarı gerçek dünya verileriyle de karşılık buldu. Geliştiriciler, sistemi çeşitli binalardan ve sanayi tesislerinden toplanan 2.000 saatlik gerçek bir veri setiyle test etti. Buldukları sonuçlardan bazıları şu şekildedir:
Ortaya çıkan sonuçlar umut verici bir tablo sunuyor. Model ortam sıcaklığı, nem, binanın doluluk oranı ve mevsim geçişleri gibi birbirinden çok farklı dinamikleri aynı anda işleyerek yüksek doğruluk oranlarına ulaştı. Sistemin geleneksel yöntemlere kıyasla sunduğu isabet oranı (kesinlik) ve hata payındaki düşüş grafikleriyle kanıtlandı.
Sektör için ne anlama geliyor?
Fabrikalar, enerji şebekeleri ve akıllı binalar için oyunun kuralları değişmek üzere. Artık yöneticiler, enerji talebini çok daha esnek yönetebilecek ve yenilenebilir enerjileri mevcut şebekeye daha sorunsuz bağlayabilecekler. En kritik nokta ise işletmelerin, karbon emisyonu ortaya bile çıkmadan nerede verimsizlik yaşayacaklarını görüp önlemlerini baştan alabilecek olması. Kısacası, karbon yönetiminde gecikmelere yer bırakmayan proaktif bir dönem başlıyor.3
Kaynaklar
- Sharma, K., Dwivedi, Y.K. and Metri, B. (2024) Incorporating causality in energy consumption forecasting using deep neural networks, Annals of Operations Research, August, Vol. 339, No. 1, pp.537–572.
- Liu, Y., & Li, B. (2026). Modelling and predicting energy consumption patterns using generative adversarial networks for effective carbon management. International Journal of Information and Communication Technology, 27(92), 79–110.
- Wan, Q., & Liu, J. (2023). Energy efficiency optimization and carbon emission reduction targets of resource-based cities based on BiLSTM-CNN-GAN model. Frontiers in Ecology and Evolution, 11, 1248426.