Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi

Dünya'da teknolojik yenilikler ile eşgüdümlü küresel ölçekteki üretim ve tüketim anlayışı çerçevesinde birçok sektörü etkileyen devinim süreci yaşanmaktadır. Toplumsal düzeni temelden etkileyen bu durum ve beraberinde artan çevre bilinci, enerji sektörünün de farklı dinamizmlerle yapılandırılması ihtiyacını ortaya çıkarmıştır. Enerji sektörü ve piyasasının dinamik altyapılarında operasyonel ve yönetsel birçok süreç yürütülmektedir. Enerjinin arz-talep dengesini koruma hedefiyle yürütülen bu süreçlerde ise tüketiciler, dağıtım şirketleri ve diğer piyasa paydaşları doğrudan veya dolaylı olarak etkileşim içerisindedirler. Günümüzde küresel enerji sektörünün değişimi ve gelişimi için oluşturulan stratejik hedeflere bağlı olarak hükümetlerin, tüketiciler (müşteriler/kullanıcılar) ve piyasa paydaşları doğrultusunda belirli taahhütleri bulunmaktadır. Bu taahhütler arasında, güç sistemlerinin şebeke altyapılarına dijital dönüşüm destekli akıllı şebeke çözümlerinin üretilmesi ve net sıfır CO2 emisyon hedefine ulaşılması yer almaktadır. Elektrikli araçlar (EA), farklı ölçeklerdeki dağıtık üretim kaynakları ve enerji depolama sistemlerinin orta/alçak gerilim şebekelerine entegrasyonu ile akıllı gömülü sistemler tesis edilmesi bu hedeflere ulaşmada kritik önem arz etmektedir. Akıllı şebeke altyapısı ile bilgi, haberleşme, izleme, kontrol ve yönetim sistemlerinde otomasyon ve dijitalleşme artırılarak, karar vericiler için doğru ve güvenilir yönlendirme mekanizmalarının oluşması sağlanacaktır. Enerji sektöründe faaliyet gösteren şirketlerin ihtiyaç analizlerine uygun stratejiler geliştirmesi amacıyla oluşturulan bu sistematik ve teknolojik altyapılar ile karar vericilere geniş ve farklı bakış açıları sunulabilir. Şebekelerin yönetimindeki tahminleme, planlama, kontrol ve izlenebilirliğin gerçek zamanlı işletimi ile yaşanabilecek krizler anlık olarak fırsata dönüştürülerek karar verme sistemlerinin desteği artırılabilir. Böylelikle ilgililerin karar verme sürecine yardımcı karar destek sistemleri ile analiz, değerlendirme, yönlendirme, etkileşim, dengeleme ve uzlaştırma ortamı sağlanarak zamandan ve kaynaklardan tasarruf elde edilebilir. Bu tez çalışmasında enerji sektöründeki genel yaklaşıma göre enerjinin üretimi ve tüketiminden etkilenen unsurları EA şarj yükü tahmini bazında ele alan ve puant yükün dağıtım şebekesine etkisini en aza indirmek için uygulanacak stratejilerin ve buna bağlı belirlenen değişken faktörlerin kavramsal çerçevesi oluşturulmuştur. EA kullanımının dağıtım şebekesine etkisi neden-sonuç ilişkisi kapsamında ele alınan bu kavramsal çerçevede; bağımlı ve bağımsız değişkenler ile bunlara etki eden karıştırıcı, yönlendirici, aracı, kontrol olmak üzere altı farklı değişken kategorisi yer almaktadır. EA kullanıcılarının şarj istasyonlarını yoğun kullanımı durumunda hem kullanıcı hem de yerel dağıtık üretim kaynakları açısından bir çok unsur göz önüne alınmalı ve takibi yapılmalıdır. Çalışmanın devamında, oluşturulan kavramsal çerçevede belirlenen faktörler dikkate alınarak elektrikli araç kullanıcıları ve kamu hizmeti sağlayıcıları bakış açısıyla organizasyonların operasyonel ve yönetsel karar alma sürecini etkileyen unsurların yer aldığı bir kavramsal Karar Destek Sistemi geliştirilmiştir. Tüketicilerin yoğun elektrik tüketim taleplerinin karşılanabilmesi adına çeşitli yenilenebilir enerji kaynaklarından enerji dönüşümleri sağlanmaktadır. Elektrikli araç kullanımının artışı ile oluşan yeni enerji talebinin gelişimi; tüketici rolündeki elektrikli araç kullanıcılarının davranışları ve üretimi besleyen yenilenebilir enerji kaynaklarında bir takım değişim ve dönüşümler yaşanmasına neden olmaktadır. Bu nedenle elektrikli araçların yoğun kullanımı ile dağıtım şebekesi üzerinde oluşacak yeni talebin ve tüketim profilinin iyi anlaşılması önemlidir. Elektrik şebekesinde oluşacak yük talebinin artışı ve bu talebin en yoğun olduğu zaman dilimindeki aşırı yüklenme sorunu ile baş edebilmek için farklı çözüm stratejileri üretilmesi gerekmektedir. Elektrik enerjisi tüketimi ile oluşan günlük enerji talebinin yönetimi ve bir sonraki gün için yapılan saatlik talep miktarını belirleyen yük tahmin planları enerji sektörü için belirleyici ve yol gösterici unsurlardır. EA'ların enerji tüketim verilerinin elde edildiği dağıtık üretimin (ya da dağıtılmış enerjinin) bir bileşeni olan elektrikli araç şarj istasyonlarının yaygınlaşması ile enerji talep tahminlerinin bölgesel odaklılık yerine gelişmiş şebeke analizlerini de içerecek şekilde daha detaylı yapılması gerekmektedir. Enerji sektöründeki talep tarafı yönetimi ve yük yönetimine bağlı yük tahmin planlarını etkin bir şekilde yapabilmek için enerji talebinin tahmin doğruluğu ciddi önem arz etmektedir. Çalışma konusu ve kapsamında; dağıtım şebekesi üzerinde oluşacak yeni enerji talebi ve dönemsel puant güç (veya puant yük) talebinin analizi ile kısa dönemli yük tahmini için uygulanacak yük tahmin algoritmaları ele alınmıştır. Çalışmada geçmiş verilerden faydalanılarak gelecekteki yeni talebi oluşturan EA enerji tüketimi veya EA şarj yükünün tahmini için; gerçeğe en yakın, tutarlı ve efektif sonuçlar elde edilmesi hedeflenmektedir. Çalışmada kullanılan tahmin yöntemleri literatürde zaman serisi tahmini olarak ele alınmakta olup tahmin algoritmalarını geliştirme sürecinde ise derin öğrenme modellerinden faydalanılmıştır. Bu amaçla çalışmada elektrikli araçların kısa dönemli şarj yükü tahmin doğruluğunun artırılması için Yığılmış Derin Öğrenme Topluluk Modeli (YDÖTM) önerilmiştir. Önerilen modelde CNN, LSTM, GRU, BiLSTM ve BiGRU modelleri temel öğrenici olarak ele alınırken meta öğrenici olarak LightGBM algoritması kullanılmıştır. Önerilen modelin uygulaması için ABD'nin Kaliforniya eyaletindeki Pasadena kentinde yer alan bir araştırma üniversitesinin, Caltech kampüsü garajında bulunan, 54 adet halka açık şarj istasyonlarından toplanan, gerçek zamanlı şarj oturum olaylarından yararlanılmıştır. Bu gerçek zamanlı şarj oturum olaylarına ait veriler; EA şarj bağlantı zamanı, EA şarj bağlantı bitiş zamanı ve enerji tüketim niteliklerini içermekte olup ACN-DATA adlı açık veri platformundan elde edilmiştir. Geliştirilen Yığılmış Derin Öğrenme Topluluk Modeli'nin etkinliği MAE, RMSE, NRMSE ve R² performans ölçütleri kullanılarak, derin öğrenmeye dayalı tekli modellerin performansları ile karşılaştırılıp değerlendirilmiştir. Değerlendirme sonucu önerilen modelin MAE, RMSE, NRMSE ve R² performans ölçüt değerleri sırasıyla 3.5894, 4.9935, 0.0551 ve 0.9444 olarak elde edilmiş olup karşılaştırılan tekli modellere kıyasla en iyi performansı verdiği görülmüştür. Dağıtım şebekelerinin EA şarj alyapısındaki kapasite planlamalarında elektrikli araç talebini yönetebilmek ve şarj kontrolünü optimize edebilmek için talep belirsizliği, enerji belirsizliği, EA mobilitesi, ağ belirsizliği, fiyat belirsizliği gibi sorunlar ele alınmalıdır. Bilgi ve haberleşme teknolojilerinin güç sistemine entegrasyonu ile bu belirsizlikleri yönetebilmek adına enerjinin öngörü bazlı dinamik süreçlerindeki faaliyetlerde yapay zeka uygulamaları ile optimallik, iyileştirme ve sürdürülebilirlik sağlanmalıdır. Çalışmada özetle; EA şarj yükü talebinin dağıtım şebekelerindeki etki analizine dair bir kavramsal çerçeve, bir kavramsal Karar Destek Sistemi ve EA'ların şarj yükü tahmini için bir metodoloji oluşturulmuş olup dâhilinde derin öğrenme algoritmalarına dayalı yük tahmin modelleri geliştirilmiştir. Bu bağlamda bilgi ve haberleşme teknolojilerinden faydalanılarak elde edilen ve anlamlandırılan verilere dayalı akıllı şarj kontrol ve karar verme mekanizmalarının inşa edilmesi desteklenerek güç sisteminin esnekliğini artırmak amaçlanmaktadır. Bu çalışmanın diğer akıllı şebeke teknolojilerini geliştirme çalışmalarına da yol gösterici nitelikte olacağı düşünülmektedir.