Mikro şebekelerde derin öğrenme destekli enerji yönetimi

Geleneksel elektrik enerjisi sistemlerinin en önemli gereksinimlerinden birisi, üretim ve tüketim dengesinin anlık olarak sağlanmasıdır. Bunu gerçekleştirmek için yüksek kapasiteli güç santralleri kullanılmakla beraber, çok sayıda yenilenebilir enerji santralinin şebekeye entegre olması ve bu santrallerin enerji üretiminin belirsiz olması, bu dengenin sağlanmasını riske atmaktadır. Mikro şebekeler, belirli bir alanda bulunan yüklerin ve dağıtılmış üretim santrallerinin koordineli bir şekilde işletilmesi ile bu dengeyi yerel olarak sağlayabilmekte ve dağıtım şebekesi üzerindeki stresi azaltabilmektedir. Bu tez çalışmasında, konut mikro şebekelerinin optimum şekilde işletilmesi için iki seviyeli Enerji Yönetim Sistemi (EYS) sunulmuştur. Geliştirilen EYS'nin en önemli bileşeni ise, mikro şebekede bulunan tüketicilerin izlenmesini ve kullandıkları cihazların anlık olarak tespitini sağlayabilen Müdahaleci Olmayan Yük İzleme (MOYİ) sistemidir. MOYİ, kullanıcıların ana sayacından okunan toplam tüketim verisinin çeşitli sinyal işleme yöntemleri ile analiz edilerek, cihaz bazında tüketim verilerinin elde edilmesini sağlayan bir yaklaşımdır. Aktif olarak çalışan yüklerin anlık olarak tanınması ve tükettikleri enerjinin tahmini, sunulan iki farklı derin öğrenme modeli ile gerçekleştirilmiştir. Aalborg Üniversitesi, Enerji Teknolojileri Departmanı, IoT Microgrid Laboratuvarı'nda bulunan dokuz farklı cihaz için Geçitlenmiş Özyinelemeli Birimler (GÖB) tabanlı bir derin öğrenme modeli kullanılarak gerçek zamanlı bir yük tanıma analizi gerçekleştirilmiştir. Analiz edilen cihazın tipine bağlı olarak %65 ile %96 arasında bir analiz başarısı elde edilmiştir. Bunun haricinde çevrim dışı ve gerçek zamanlı analiz arasındaki doğruluk farkı test edilmiş ve gerçek zamanlı analizin doğruluk oranının, %5 ila %10 arasında daha düşük olduğu gözlemlenmiştir. Geliştirilecek EYS için sadece yük tanıma analizinin yetersiz olduğu düşünülerek yeni bir GÖB tabanlı derin öğrenme modeli sunulmuş ve cihazların hem açık/kapalı olma durumları hem de tükettikleri güç, çevrim dışı olarak analiz edilmiştir. Sunulan model, iki ayrı analizi aynı anda yapabilecek kapasiteye sahip olduğu için literatürde daha önce kullanılmış derin öğrenme modellerinden daha yüksek performans göstermiştir. Tezin ikinci kısmında ise MOYİ analizinden elde edilen çıktılar kullanılarak, efektif bir EYS mekanizması tasarlanmıştır. MOYİ analizinin EYS'ye dahil edilmesinin temel amacı, müşterilerin tüketim alışkanlıklarını göz önüne alarak, onların elektrik faturalarını azaltmak, şebekenin sunacağı talep tarafı yönetimi uygulamalarından maksimum şekilde faydalanabilmelerini ve ek teşvikler alabilmelerini sağlamaktır. Her tüketici farklı bir yaşam tarzına, dolayısı ile farklı tüketim alışkanlıklarına sahiptir. MOYİ analizi sayesinde, her müşterinin yaşam alışkanlıkları ve tüketim davranışları öğrenilerek tüketiciye özel bir enerji yönetimi tasarlanabilmektedir. Tezde sunulan iki seviyeli EYS'nin birinci seviyesinde, MOYİ analizinden elde edilen sonuçlar istatistiksel olarak incelenmiş ve elde edilen veriler kullanılarak, tüketiciye özgü bir maliyet optimizasyonu gerçekleştirilmiştir. Optimum maliyet, cihazların kullanım zamanlarının, elektrik fiyatlarının yüksek olduğu periyotlardan düşük olduğu periyotlara optimum olarak kaydırılması ile sağlanmıştır. Bu sayede tüketicilerin konforu gözetilerek elektrik faturalarının otomatik olarak azaltılması sağlanmıştır. İkinci seviyede ise, mikro şebekede bulunan üretim ve tüketim birimlerinin kapasiteleri ve kısıtları dikkate alınarak, mikro şebekenin optimum şekilde işletilmesi hedeflenmiştir. Bu kapsamda çoklu bir amaç fonksiyonu tanımlanarak hem mikro şebekenin işletme maliyetinin düşürülmesi, hem de şebekede oluşacak yeni piklerin engellenmesi amaçlanmıştır. Geliştirilen EYS algoritması, Aalborg Üniversitesi, Enerji Teknolojisi Departmanı, AC/DC Microgrid Laboratuvarı'nda gerçek zamanlı olarak test edilmiştir. Elde edilen sonuçlar, geliştirilen EYS algoritmasının uygulanabilirliğini ispatlamıştır. Bununla birlikte farklı optimizasyon periyotlarının, EYS performansı üzerindeki etkisi analiz edilmiştir. Optimizasyon için kullanılan tahminlerin kabul edilebilir doğrulukta olması durumunda, optimizasyon periyodunun uzamasının, EYS performansını arttırdığı gözlemlenmiştir. 6, 12 ve 24 saatlik periyotlar için yapılan deneyler sonucunda, 24 saatlik optimizasyon periyodunun, bataryanın daha efektif bir şekilde kullanılmasını ve mikro şebekenin daha ekonomik olarak işletilmesini sağladığı tespit edilmiştir.