Geri Dön

Dağıtım sistemleri için pekiştirmeli öğrenme temelli D-Statcom denetleyici tasarımı

Design of a reinforcement learning based D-Statcom controller for distribution systems

  1. Tez No: 1022769
  2. Yazar: ŞULE ŞENYİĞİT
  3. Danışmanlar: DOÇ. DR. MUSTAFA ŞİNASİ AYAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Fotovoltaik (FV) sistemlerin dağıtım şebekelerine entegrasyonu, üretimin değişken karakteri ve farklı işletme koşulları nedeniyle güç kalitesi sorunlarına yol açabilmektedir. Bu sorunların giderilmesinde öne çıkan yaklaşımlardan biri, dağıtılmış statik senkron kompansatör (D-STATCOM) tabanlı denetim yapılarıdır. Bu tez çalışmasında, 11 kV gerilim seviyesindeki bir dağıtım şebekesine bağlı FV sistemde güç kalitesinin iyileştirilmesi amacıyla, D-STATCOM'un akım ve gerilim düzenleme bölümlerine yönelik farklı denetim yaklaşımları geliştirilmiştir. PI denetleyici parametreleri iki aşamalı bir süreçte RIME ve goril sürüleri optimizasyonu algoritmaları kullanılarak belirlenmiş; ayrıca PI tabanlı yapıya alternatif olarak, öğrenme temelli çift gecikmeli derin deterministik politika gradyanı (TD3) yaklaşımı tasarlanmıştır. Önerilen yöntemler MATLAB/Simulink ortamında modellenmiş ve benzetimler aracılığıyla değerlendirilmiştir. Elde edilen sonuçlar; bara gerilimleri, güç faktörü, harmonik bozulum, reaktif güç tepkisi ve doğru akım bara gerilimi kriterleri açısından incelenmiştir. Bulgular, D-STATCOM'un güç kalitesinin iyileştirilmesinde etkili olduğunu; RIME yaklaşımının nominal çalışma koşulları ile harmonik bastırma performansı bakımından daha güçlü sonuçlar sağladığını göstermiştir. Buna karşılık, öğrenme temelli yaklaşımın değişken çalışma koşulları ve bozucu etkiler altında daha yüksek bir uyarlanabilirlik sergilediği belirlenmiştir.

Özet (Çeviri)

The integration of photovoltaic (PV) systems into distribution networks may lead to power quality problems due to the variable character of generation and different operating conditions. One of the prominent approaches for mitigating these problems is distributed static synchronous compensator (D-STATCOM) based control structures. In this thesis study, different control approaches for the current and voltage regulation sections of D-STATCOM have been developed to improve power quality in an PV system connected to an 11 kV distribution network. PI controller parameters were determined through a two-stage process using RIME and gorilla troops optimization algorithms; additionally, as an alternative to the PI based structure, a learning based twin delayed deep deterministic policy gradient (TD3) approach was designed. The proposed methods were modeled in the MATLAB/Simulink environment and evaluated through simulations. The obtained results were examined in terms of bus voltages, power factor, harmonic distortion, reactive power response, and direct current bus voltage criteria. The findings showed that D-STATCOM is effective in improving power quality, and that the RIME approach provides stronger results under nominal operating conditions and in terms of harmonic suppression performance. In contrast, it was determined that the learning based approach exhibits higher adaptability under variable operating conditions and disturbance effects.

Benzer Tezler

  1. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Tez No

    938815

    A DAG (Directed Acyclic Graph)-based dlt (Distributed Ledger Technology) integrated cross-network qos-motivated traffic management framework using reinforcement learning (RL) in software defined networks (SDNs)

    Yazılım tanımlı ağlar (SDN) içinde takviyeli öğrenme (RL) kullanarak yönlendirilmiş döngüsüz grafik (DAG) temelli dağıtık defter teknolojisi (DLT) entegreli hizmet kalitesi (QOS) odaklı ağlar arası trafik yönetim çerçevesi

    BARIŞ KURTULUŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mühendislik BilimleriAnkara Üniversitesi

    Yapay Zeka Teknolojileri Ana Bilim Dalı

    DOÇ. DR. MURAT KARAKUŞ

  3. Tez No

    1011777

    Elektrikli araçlarda şarj yükünün dağıtım şebekesine etkilerinin incelenmesi için derin pekiştirmeli öğrenme tabanlı bir karar verme sisteminin geliştirilmesi

    Development of a deep reinforcement learning-based decision-making system for investigating the impacts of electric vehicle charging load on the distribution grid

    MUHAMMED SEFA ÇETİN

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHSİN TUNAY GENÇOĞLU

    PROF. DR. OZAN ERDİNÇ

  4. Tez No

    1003683

    Avoiding attacks in wireless communications using reinforcement learning

    Pekiştirmeli öğrenme kullanarak kablosuz haberleşmede saldırılardan kaçınma

    MUSTAFA KESER

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

  5. Tez No

    987331

    Balancing mixed adversarial perturbations: Towards robust reinforcement learning

    Karma çekişmeli bozulmaları dengeleme: Gürbüz pekiştirmeli öğrenmeye doğru

    MUSTAFA ERDEM

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

Geri Dön