Model İzleme (MLOps) ve Tahmin Doğruluğu

Enerji Üretim Tahmin Sistemleri Canlı Ortamda Nasıl Güvenilir Tutulur?

Model Çalışıyor Görünüyor. Peki Gerçekten Güvenilir mi?

Bir hidroelektrik santralde üretim tahmini yapan model ilk devreye alındığında yüksek doğruluk gösterebilir. Eğitim verisi üzerinde %90 doğruluk, düşük MAE ve istikrarlı grafikler teknik ekibi tatmin edebilir. Ancak üç ay sonra aynı modelin performansı yavaşça düşmeye başlar. Hata artışı dramatik değildir; bu nedenle alarm üretmez. Dashboard çalışmaya devam eder. Raporlar üretilir. Fakat model artık fiziksel sistemi doğru temsil etmiyordur.

Enerji sektöründe tahmin hatası yalnızca istatistiksel bir sapma değildir. Gün Öncesi Piyasası saatlik teklif eşleştirme mekanizması ile çalışır [1]. Saatlik üretim tahminindeki sapma, dengeleme maliyeti ve gelir kaybı anlamına gelir. Özellikle pik saatlerde yapılan yanlış tahminler finansal etkisi yüksek sonuçlar doğurur. Bu nedenle model doğruluğu yalnızca teknik bir KPI değil, kurumsal risk göstergesidir.

Makine öğrenmesi modelleri matematiksel olarak statiktir; fakat temsil ettikleri fiziksel sistemler dinamik ve değişkendir. İşte bu nedenle MLOps (Machine Learning Operations), enerji tahmin sistemlerinde sürdürülebilir güvenilirliğin temelidir [2].

• Enerji tahmin sistemlerinde drift kaçınılmazdır.
• Data drift ve concept drift farklı risk türleridir [3].
• Ortalama hata metrikleri tek başına yeterli değildir.
• Sessiz model bozulması milyonluk finansal kayıplara yol açabilir.
• Kurumsal MLOps: veri sağlığı + drift analizi + finansal etki + versiyonlama + insan onayı gerektirir.

Drift, Durağanlık ve Enerji Sistemleri

Enerji üretim tahmin sistemleri çoğu zaman geçmiş veriler üzerine eğitilir. Bu yaklaşım, sistemin istatistiksel olarak durağan olduğu varsayımına dayanır. Ancak gerçek dünyada hidrometeorolojik süreçler durağan değildir.

Model Drift iki temel başlık altında incelenir: data drift ve concept drift.

1. Data Drift

Data drift, giriş değişkenlerinin dağılımının değişmesidir. Örneğin ekstrem yağış olaylarının sıklığındaki artış [4], modelin eğitim gördüğü dağılımdan sapma yaratır. Bu durumda model hâlâ geçmiş dağılımı varsayar.

2. Concept Drift

Concept drift ise daha derindir. Girdi ile çıktı arasındaki ilişki değişir [3]. Aynı yağış miktarı artık aynı debiyi üretmez. Bunun nedeni:

• Toprak doygunluk yapısının değişmesi
• Sediment birikimi
• Kanal pürüzlülüğünün artması
• Havza arazi kullanımının dönüşmesi

Concept Drift’in Matematiksel Yorumu

Makine öğrenmesi modeli şu ilişkiyi öğrenir:

P(Y | X)

Concept drift durumunda bu koşullu olasılık dağılımı zamanla değişir:

P_t(Y | X) ≠ P_t+1(Y | X)

Bu durum yalnızca yeniden eğitim değil, model yapısının yeniden değerlendirilmesini gerektirebilir [3].

IPCC raporları, küresel iklim sisteminin uzun dönemli kaymalar yaşadığını göstermektedir [4]. Bu nedenle enerji tahmin sistemlerinde drift yapısal bir gerçektir. Bu nedenle statik model yaklaşımı sürdürülebilir değildir.

Nasıl Çalışır? — Enerjiye Özgü MLOps Mimarisi

Kurumsal bir MLOps mimarisi enerji sektöründe dört ana katmandan oluşmalıdır: veri sağlığı, dağılım analizi, performans metrikleri ve finansal etki değerlendirmesi.

Veri sağlığı katmanı, SCADA sensör hatalarını, eksik veri oranlarını ve zaman senkronizasyon problemlerini izler. NIST AI Risk Management Framework, veri kalitesinin yapay zekâ sistemlerinde risk yönetiminin temel unsuru olduğunu belirtir [5].

Dağılım analizi katmanında Population Stability Index (PSI) ve Kolmogorov–Smirnov testi gibi yöntemler kullanılarak feature drift tespit edilir [6]. PSI değerinin 0.25 üzerine çıkması ciddi dağılım değişimini gösterir.

Performans metrikleri katmanında MAE, RMSE ve MAPE gibi klasik metrikler izlenir [7]. Ancak enerji üretiminde Peak Error (%) ve Lag Error (saat bazlı kayma) ayrıca değerlendirilmelidir. Özellikle saatlik teklif sistemlerinde zaman kayması finansal risk oluşturur [1].

Finansal etki katmanı, model hatasının gelir üzerindeki etkisini simüle eder. Bu yaklaşım model doğruluğunu teknik metrikten kurumsal risk metriğine dönüştürür.

Örnek:

Tahmin sapma: %8
Pik fiyat: 2800 TL/MWh
Sapma süresi: 3 saat

Finansal etki teknik hatadan daha anlamlıdır. Bu katman olmadan MLOps yalnızca teknik izleme olur.

HES / Enerji Tesisi Tarafında Etkisi

Bir HES’te debi tahmin hatası üretim tahmin hatasına dönüşür. Üretim tahmin hatası ise Gün Öncesi Piyasası teklif stratejisini doğrudan etkiler [1]. Saatlik eşleşme sistemi nedeniyle özellikle pik saatlerde yapılan hata finansal açıdan büyüyebilir.

Örneğin pik debinin %20 düşük tahmin edilmesi, türbin optimizasyonunun kaçırılmasına ve potansiyel gelir kaybına yol açabilir. Tahmin sistemi bu nedenle yalnızca teknik değil, finansal güvenilirlik bileşenidir.

Bu zincir şu şekilde işler:

Debi Tahmini → Üretim Planı → Piyasa Teklifi → Gerçekleşen Üretim → Dengeleme Maliyeti

Örnek Senaryo / Mini Hesap

65 MW kurulu güce sahip bir HES’te son 120 gün içinde:

• MAE %10 → %21
• Peak error %18 → %42
• Lag error 1 saat → 3 saat

Alarm yalnızca MAPE> %30 olarak tanımlı olduğu için sistem uyarı üretmemiştir.

Sonuç:

• 3 büyük yağış olayında düşük teklif
• 2,2 milyon TL gelir kaybı
• Operasyonel güven kaybı

Model teknik olarak “çalışmaktadır”. Ancak kurumsal olarak güvenilir değildir.

Hydrowise / Renewasoft Yaklaşımı

Hydrowise tahmin sistemi enerji sektörüne özgü çok katmanlı MLOps mimarisi ile tasarlanmıştır. Sistem yalnızca model performansını değil, fiziksel tutarlılığı ve finansal etkiyi birlikte izler. Drift dashboard üzerinden feature dağılım kaymaları, peak hata analizi ve gelir etkisi simülasyonu görselleştirilir.

1. Çok Katmanlı İzleme

• Veri kalitesi
• Drift analizi
• Peak hata
• Finansal etki

2. Drift Dashboard

Feature dağılım kaymaları, hata trendleri ve gelir etkisi görselleştirilir.

3. Human-in-the-Loop

Yeniden eğitim önerileri otomatik üretilir ancak operatör onayı olmadan model versiyonu değiştirilmez. Kritik altyapılarda tam otomasyon önerilmez [8][9].

4. Governance ve Versiyonlama

Her model versiyonu:

• Eğitim veri aralığı
• Özellik seti
• Drift raporu
• Onay tarihi ile saklanır.

Bu yaklaşım EU AI Act ve ISO AI risk çerçeveleriyle uyumludur [9][10]. Bu sayede tahmin sistemi yalnızca doğru değil, kurumsal olarak güvenilir hale gelir.

Sık Sorulan Sorular

1. Model ne sıklıkla yeniden eğitilmelidir?
   Drift ve performans bazlı hibrit yaklaşım önerilir.
2. MAPE yeterli midir?
   Hayır. Peak error ve lag error ayrıca izlenmelidir.
3. Drift her zaman model hatası mıdır?
   Hayır. Önce veri kalitesi doğrulanmalıdır.
4. Tam otomatik retraining güvenli midir?
   Kritik altyapı sistemlerinde insan onayı önerilir.
5. AI Governance neden önemlidir?
   EU AI Act ve ISO AI risk çerçeveleri kritik sistemlerde izleme gerektirir [9][10].

Sonuç

Enerji üretim tahmin sistemi bir analitik araç değil, operasyonel varlıktır. Model doğruluğu finansal istikrar ve operasyonel güvenle doğrudan ilişkilidir. Drift kaçınılmazdır; izlenmeyen model zamanla güvenilirliğini kaybeder.

Hydrowise yaklaşımı, enerjiye özgü MLOps mimarisi ile tahmin sistemlerini izlenebilir, ölçülebilir ve müdahale edilebilir hale getirir.

Hydrowise izleme dashboard’unu görmek ve mevcut tahmin sisteminiz için drift analizi yaptırmak üzere demo talep edin.