Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuçlar ayrıca operasyonel maliyetlerde ve genel sistem verimliliğinde iyileşmeler olduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, dağıtılmış fotovoltaik (PV) sistemlerde kayıp odaklı optimizasyon için makine öğrenimi ve blok zinciri teknolojilerini entegre eden hibrit bir çerçeve önermektedir. Çerçeve, değişken üretim ve talep koşulları altında operasyonel verimliliği artırmak için veri odaklı kayıp tahmini, merkezi olmayan veri doğrulaması ve optimizasyon tabanlı enerji yönetimini bir araya getirmektedir. Sistem kayıplarını tahmin etmek için LSTM tabanlı bir model kullanılırken, akıllı sözleşmelere sahip bir blok zinciri katmanı, operasyonel kararların şeffaf ve kurcalamaya karşı dayanıklı bir şekilde yürütülmesini sağlar. Tahmin edilen kayıplar, daha verimli enerji yönlendirme ve şebeke etkileşim stratejilerini belirlemek için optimizasyon sürecine dahil edilir. Simülasyon tabanlı değerlendirme, önerilen çerçevenin temel ve yalnızca makine öğrenimi tabanlı yapılandırmalardan daha iyi performans gösterdiğini ortaya koymaktadır. İncelenen durumda, enerji kaybı oranı temel senaryoda %14,2'den önerilen çerçeve ile %6,3'e düşmekte olup, bu da %55,6'lık bir göreceli azalmaya karşılık gelmektedir. Sonuçlar ayrıca operasyonel maliyetlerde ve genel sistem verimliliğinde iyileşmeler olduğunu göstermektedir. Bu bulgular, dağıtılmış PV sistemlerinin verimli ve güvenli yönetimi için tahmine dayalı zekayı merkezi olmayan doğrulama ile birleştirmenin potansiyelini göstermektedir.
Abstract
This study proposes a hybrid framework integrating machine learning and blockchain technologies for loss-aware optimization in distributed photovoltaic (PV) systems. The framework combines data-driven loss prediction, decentralized data validation, and optimization-based energy management to improve operational efficiency under variable generation and demand conditions. An LSTM-based model is employed to estimate system losses, while a blockchain layer with smart contracts provides transparent and tamper-resistant execution of operational decisions. The predicted losses are incorporated into the optimization process to determine more efficient energy-routing and grid-interaction strategies. Simulation-based evaluation demonstrates that the proposed framework outperforms the baseline and machine-learning-only configurations. In the investigated case, the energy-loss rate decreases from 14.2% in the baseline scenario to 6.3% with the proposed framework, corresponding to a 55.6% relative reduction. The results also indicate improvements in operational cost and overall system efficiency. These findings demonstrate the potential of combining predictive intelligence with decentralized validation for efficient and secure management of distributed PV systems.