A novel artificial intelligence based energy management system for microgrids

Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi

PDF İndir

Tez No: 828927
Yazar: NECATİ AKSOY
Danışmanlar: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
Tez Türü: Doktora
Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2023
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
Sayfa Sayısı: 140

Özet

Tüm enerji kaynakları içerisinde elektrik enerjisi, kullanımı en yaygın enerji türü olarak karşımıza çıkar. Bu bağlamda, elektrik enerjisinin verimli kullanımı günümüz toplumunda önemli bir tartışma ve araştırma konusudur. Enerji tüketimi artmaya devam ettikçe, enerji verimli teknolojilere ve uygulamalara olan ihtiyaç giderek daha vazgeçilmez hale gelmektedir. Enerji verimliliğinin en önemli faydalarından biri, karbon emisyonlarını azaltma potansiyelidir. Enerjiyi daha verimli kullanmak, karbon ayak izimizi azaltır ve iklim değişikliğinin olumsuz etkilerini hafifletmeye yardımcı olur. Çevresel faydalarına ek olarak, enerji verimliliği aynı zamanda maliyet tasarrufuna da yardımcı olabilir. Ayrıca enerji verimliliği, fiyat dalgalanmalarını azaltabilir ve fosil kaynaklara bağımlılığı dolayısıyla bu kaynakların neden olduğu arz kesintilerini azaltarak enerji güvenliğini de artırabilir. Enerji sektörü ve ilgili endüstrilerde yeni iş fırsatları yaratarak, enerji verimliliği ekonomik büyümeyi artırmaya ve yaşam kalitesini iyileştirmeye yardımcı olabilir. Sonuç olarak, elektrik enerjisinin verimli kullanımı günümüz toplumunda çok önemli bir odak alanıdır. Bu alanda öne çıkan en temel çözümler halihazırdaki enerji iletim dağıtım şebekelerini yeni nesil teknolojiler ile yenilemek ve geliştirmektir. Şehirler veya ülkeler boyutunda akıllı şebekeler içerdiği bilişim ve iletişim teknolojileri ile yenilikçi çözüm olarak karşımıza çıkarken, küçük bir yerleşim yeri veya kampüs boyutunda mikro şebekeler enerji verimliliğine çözüm olarak sunulur. Bu iki şebeke türüne ek olarak bir hane boyutunda yenilebilir enerji kaynakları ve dağıtım şebekesini birleştiren nano şebekeler öne çıkmaktadır. Bu tez çalışması bu çözümlerden mikro şebekelere odaklanır. Birçok ülkede ve ülkemizde elektrik enerjisi üretim yöntemine bağlı olarak kaynağın bulunduğu yerlerde büyük miktarlarda üretilirken büyük sanayi ve nüfusa sahip yerlerde tüketilir. Enerjinin üretim ve tüketimi arasındaki bu mesafe büyük iletim şebekelerine olan ihtiyacı ortaya çıkarır. Bu uzun iletim ve dağıtım hatları enerjinin ısı olarak israfına yol açar ve enerji maliyetini artırır. Mikro şebekeler enerjinin üretim ve tüketimin aynı yerde olması prensibi ile bu soruna çözüm olarak ortaya çıkmıştır. Mikro şebekeler dağıtık enerji kaynaklarını konvansiyonel şebeke ile birlikte kullanabilen küçük ölçekli elektrik şebekeleridir. Mikro şebekeler güneş panellerini veya santralini, rüzgâr türbinlerini, enerji depolama sistemlerini, jeneratörleri ve ana şebekeyi birlikte kullanabilir. Bu özellikleri sayesinde enerjinin taşınmasındaki kayıpları azaltıp enerjinin verimli kullanılmasına olanak sağlar. Ek olarak, üniversite kampüsleri, askeri tesisler, kasabalar veya mahalleler gibi küçük yerleşim yerlerinde çalışan mikro şebekeler ihtiyaç duyulduğunda ana şebeke bağlantısı olmadan 'ada modunda' çalışabilir. Bu özelliği acil durumlarda avantaj sağlarken ayrıca ana şebekedeki büyük kesintilerden etkilenmemesini de beraberinde getirir. Ayrıca mikro şebekeler, arz ve talebi dengelemek ve enerji piyasalarına katılmak için elektrik alıp satarak daha ana şebekeyle uyumlu çalışabilir. Mikro şebekeler, artırılmış enerji verimliliği, azaltılmış sera gazı emisyonları, düşük enerji maliyetleri, iyileştirilmiş şebeke güvenilirliği ve esnekliği ek olarak artırılmış enerji güvenliği dahil olmak üzere çeşitli avantajlar sunar. Sürdürülebilir ve merkezi olmayan enerji sistemlerini teşvik etmenin bir yolu olarak giderek daha popüler hale gelmektedir. Günümüzde birçok mikro şebeke, klasik kontrol yöntemleriyle sürdürülmekte ve yalnızca matematiksel analiz yöntemleriyle boyutlandırılmış şekilde çalışmaktadır. Bu durum hem mikro şebekenin işletilmesi sırasında elde edilebilecek verimliliği kısıtlamakta hem de enerji depolama teknolojilerindeki yeni trendleri takip etmeyi zorlaştırmaktadır. Mevcut enerji depolama teknolojilerinin sistemde etkin bir şekilde kullanılabileceği ve günümüz yapay zekâ teknolojisinin mikro şebeke enerji yönetim sisteminin temelini oluşturabileceği düşüncesi tezin özünü ve önemini oluşturmaktadır. Yapay zekâ tabanlı bir enerji yönetim sistemi, mikro şebekelerin işletimini ve yönetimini optimize etmede çok önemli bir rol oynayabilir. Bu tarz enerji yönetim sisteminin mikro şebekeler için önemli olmasının bazı temel nedenleri şunlardır: Gelişmiş enerji verimliliği: yapay zekâ temelli enerji yönetim sistemi, doğru tahminler yapmak ve mikro şebeke bileşenlerinin enerji kullanımını optimize etmek için hava durumu tahminleri, enerji talebi ve enerji depolama seviyeleri gibi çeşitli kaynaklardan gerçek zamanlı verileri analiz edebilir. Bu, enerji israfını azaltmaya, verimliliği artırmaya ve maliyetleri düşürmeye yardımcı olabilir. Geliştirilmiş şebeke kararlılığı: bu tarz enerji yönetim sistemi, mikro şebeke bileşenlerinin güç çıkışını gerçek zamanlı olarak izleyip kontrol ederek bunların güvenli ve istikrarlı sınırlar içinde çalışmasını sağlayabilir. Bu özellik, aşırı yüklenmeyi önlemeye ve elektrik kesintisi veya voltaj düşmesi riskini azaltmaya yardımcı olabilir. Artırılmış esneklik: hedeflenen enerji yönetim sistemi, farklı bileşenlerin güç çıkışını gerçek zamanlı olarak ayarlayarak değişen enerji taleplerine ve tedarik modellerine uyum sağlayabilir. Bu, arz ve talebin dengelenmesine yardımcı olabilir ve yedek jeneratörlere veya enerji depolama sistemlerine olan ihtiyacı azaltabilir. Daha iyi karar verme: bu enerji yönetim sistemi, enerji kullanım modelleri hakkında bilgi sağlayabilir, enerji tasarrufu fırsatlarını belirleyebilir ve optimum bakım programları önerebilir. Bu durum, mikro şebeke operatörlerinin enerji yönetimi ve bakımı hakkında bilinçli kararlar almasına yardımcı olabilir. Sürdürülebilir enerji yönetimi: yapay zekâ temelli enerji yönetim sistemi, güç çıkışını ve depolamayı optimize ederek mikro şebekelerin güneş ve rüzgâr enerjisi gibi yenilenebilir enerji kaynaklarını entegre etmesine yardımcı olabilir. Böylelikle, karbon gazı emisyonlarının azaltılmasına ve sürdürülebilir enerji yönetiminin desteklenmesine yardımcı olabilir. Tüm bu avantajlar göz önünde bulundurularak bu tez çalışmasında mikro şebekeler için yapay zekâ temelli bir enerji yönetim sistemi tasarımı sunulmuştur. Yapay zekâ kavramını detaylandıracak olursak, yapay zekâ üst başlığı alt başlık olan makine öğrenme algoritmalarını kapsarken, makine öğrenmesi başlığı da derin öğrenme algoritmalarını ve kavramlarını barındırmaktadır. Birçok mikro şebeke bünyesinde yenilebilir enerji kaynakları bulundurur. Bu tez çalışmasında, çeşitli boyutlarda ve özelliklerde mikro şebeke uygulamaları incelenmiş ve yaygın kullanım boyutlarında bir mikro şebeke benzetim modeli oluşturulmuştur. Bir üniversite kampüsü için uygulandığı varsayılan bu mikro şebekenin simülasyon modelinde yenilebilir enerji kaynakları olarak güneş santrali ve rüzgâr türbinleri bulunur. Tasarımı hedeflenen enerji yönetim sistemi bu kaynakların üreteceği güçleri tahmin eder. Bu bağlamda enerji yönetim sistemi yapay zekâ bünyesindeki en güncel tahmin algoritmalarını kullanır. Tasarım yapılırken ilk olarak güneş ve rüzgâr türbinlerinin üretecekleri gücün tahminine odaklanılır. Burada ortalama beş dakika zaman aralıklarında toplanmış beş yıllık gerçek meteorolojik verilerden oluşan veri kümesi kullanılır. Dokuz farklı veri tipinden oluşan meteorolojik veri kümesi bir dizi veri ön işlemeden geçirilmiştir. Eksik verileriler veri kümesinin özelliklerine uygun şekilde doldurulmuş ve aykırı değerdeki veriler ayıklanmıştır. Bu veri kümesindeki özellikler farklı grafikler ile analiz edilmiş ve eğitim için uygunluğu irdelenmiştir. Eğitim için uygun bulunan meteorolojik veri kümesine aynı bölge aynı saat/dakika aralıklarında üretim değerlerine sahip olduğumuz veriler etiket olarak eklenmiştir. Güneş santralinin üreteceği gücü tahmin etmek için sıkça kullanıma sahip dört makine öğrenmesi metodu ile gradyan artırım makinesi temelli üç yenilikçi algoritma kullanılarak toplam yedi tahmin modeli geliştirilmiştir. Bu tahmin modeller eğitim için uygun hale getirilen eğitim veri kümesi ayrı ayrı eğitilmiştir. Birebir aynı eğitim kümesi ile eğitilen bu yedi tahmin modelinden elde edilen sonuçlar hem grafikler hem de tablolar halinde sunulmuştur. Hangi algoritmanın bu çalışma için ne kadar başarılı sonuç verdiği karşılaştırmalı şekilde sunulurken ek olarak hesaplama maliyeti de karşılaştırılmıştır. Tasarlanan enerji yönetim sistemi ayrıca rüzgâr türbinlerinden elde edilecek gücü de tahmin etmelidir. Bu bağlamda, üç farklı makine öğrenmesi algoritması ile tahmin modelleri oluşturulmuş ve sonuçlar elde edilmiştir. Birçok performans metriği kullanılarak bu tahmin modelleri karşılaştırılmıştır. Bu tez bünyesinde yapılan ve başarılı sonuçlar elde edilen yenilenebilir enerji kaynaklarının üretim gücü tahmini çalışması literatüre yeni yaklaşımlar ve benzersiz sonuçlar sunar. Yapay zekâ temelli bir enerji yönetim sistemi kullanıcınsa enerji verimliliğinin yanında düşük enerji maliyeti ve karlılık da sunmalıdır. Günümüzde yaygınlaşan dinamik elektrik enerjisi fiyatlandırması göz önünde bulundurulmalıdır. Dinamik fiyatlandırma ülke çapındaki üretim ve tüketim arasında ilişki gözetilerek yapılır. Bu tez çalışmasında oluşturulan mikro şebeke benzetim modelinin dinamik fiyatlandırmanın uygulandığı bir ülkede yer aldığı varsayılır. Açık kaynaklı platformlardan elde edilen gerçek dinamik fiyat verilerinden beş yıllık bir veri kümesi oluşturulmuş ve analizi gerçekleştirilmiştir. Veri kümesi irdelenmiş, ön işlemden geçirilmiş ve tahmin modellerinin eğitimine hazır hale getirilmiştir. Bu çalışma için hafızalı hücre yapılarına sahip dört derin öğrenme algoritması seçilmiştir. Bu algoritmalar ve eğitim veri kümesi kullanılarak fiyat tahmin modelleri gerçekleştirilmiş ve sonuçlar elde edilmiştir. Modellerin öğrenme performansları, hata değerleri ve doğrulukları karşılaştırmalı şekilde sunulmuştur. Bu yenilikçi tahmin modelleri tasarlanan enerji yönetim sistemine entegre edilmiştir. Bir mikro şebekeden talep edilen gücün bilinmesi o mikro şebekeye dair verilecek operasyonel kararları daha güçlü kılar. Günün hangi zamanında ne gibi bir yük talebinde bulunulacağı önemli bir parametredir. Yük talebinin önceden bilinmesi kaynakların kullanımı ile ilgili kararları etkiler. Bu gerçek ışığında tasarlanan enerji yönetim sisteminin yük talebini de tahmin edebilmesi gerekir. Bu kapsamda fiyat tahminine benzer şekilde hafızalı hücre yapılarına sahip dört derin öğrenme metodu kullanılarak yük talebi tahmin modelleri geliştirilmiştir. Açık kaynaklardan elde edilen gerçek yük değerleri oluşturulan mikro şebekenin simülasyon modeline göre ölçeklenmiştir. Beş yıllık yük verileri ile oluşturulan eğitim kümesi kullanılarak derin öğrenme modelleri eğitilmiş ve sonuçlar elde edilmiştir. Birçok performans metriği kullanılarak sonuçlar karşılaştırılmalı şekilde sunulmuştur. Bu çalışma sonucunda oldukça başarılı sonuçlar ortaya koyan tahmin modelleri tasarlanan enerji yönetim sistemi ne entegre edilmiştir. Yapay zekâ temelli enerji yönetim sistemi yukarıda anlatılan birçok tahmin modelini kullanır. Uygulanan tüm makine öğrenmesi ve derin öğrenme metotlarına ait teorik ve matematiksel temeller tezin ikinci bölümünde verilir. Tasarımı anlatılan enerji yönetim sistemi mikro şebekeyi kontrol etmek için insan kaynaklı yönetime ek bir kontrolcüye ihtiyaç duyar. Bu kapsamda bu tez yine yapay zekâ temelli bir kontrolcü önermektedir. Günümüzde klasik kontrol yöntemlerinin yerini alan veri güdümlü kontrol yöntemleri popüler araştırma konuları arasındadır. Bu tez çalışmasında bu tarz makine öğrenmesi temelli kontrol yöntemlerine odaklanılır. Bu kapsamda makine öğrenmesinin üç temel dalından biri olan pekiştirmeli öğrenme konusu araştırılmış ve temelleri verilmiştir. Pekiştirmeli öğrenme temelde sistemin matematiksel modeline ihtiyaç duymadan sistemi kontrol etme prensibine dayanan yöntemlere verilen genel isimdir. Bu kavramı tablo oluşturmaya dayanan yöntemler ile derin sinir ağları kullanan yöntemler olarak ayırmak mümkündür. Bu tez çalışmasında her iki çeşit yöntemleri kullanan kontrolcü ajanlar oluşturulmuştur. Pekiştirmeli öğrenmede sistemi kontrol etmeyi öğrenecek olan ajanın kendini optimize etmesi gerekir. Bu iyileştirme işlemini ise deneme yanılma yoluyla yapar. Ajanın bu deneme yanılmaları yapıp en iyi halini alabilmesi için kontrol edeceği sistemin ki bu tez çalışmasında bu bir mikro şebeke çevre modeline sahip olması gerekir. Tasarlanan enerji yönetim sitemine özgü olarak üçü zamansal-fark temelli ikisi derin pekiştirmeli öğrenme temelli olmak üzere beş farklı kontrol ajanı tasarlanmıştır. Bu ajanların kendini eğitebilmesi için mikro şebekeye özgün olarak tasarlanmış üç çevre modeli bu tez çalışmasında önerilir. Benzersiz ödüllendirme stratejilerine sahip olan bu çevre modelleri literatüre yeni bir yaklaşım sunar. Hem yenilebilir enerji kaynaklarını hem yük talebini hem de dinamik fiyatı ajanların eğitimi için kullanan bu çevre modelleri enerji yönetimi açısından oldukça başarılı sonuçlar ortaya koymuştur. Eğitilen pekiştirmeli öğrenme ajanları mikro şebekeyi yönetmeyi öğrenmiş kullanıcıya hatırı sayılır yüzdelerde karlılık sunmuştur. Tasarım adımları anlatılan enerji yönetim sistemi birçok farklı yapay zekâ algoritmasını kullanır. Oluşturulan, eğitilen ve başarılı sonuçlar elde edilen bu yapay zekâ modelleri bu tez çalışmasında grafik arayüz ile tek bir çatı altında toplanmıştır. Özgün bir grafik arayüz tasarlanmış tüm tahmin modelleri ile kontrol ajanları bu tasarıma entegre edilmiştir. Toplamda yedi sayfadan oluşan bu arayüz tasarımı mikro şebekeye dair birçok parametreyi ve kontrol aksiyonunu kullanıcıya sunar. Kullanıcı geleceğe dair üretilecek güçleri, yük talebini ve fiyatın ne olacağını görebilir. Ayrıca, birçok kontrol aksiyonunu bu arayüz aracılığıyla mikro şebekeye uygulayabilir. Gerçek zamanlı birçok parametreyi de görebilen kullanıcı ayrıca tahmin modellerinin ve kontrol ajanlarının performanslarını ilgili sayfalar aracılığıyla analiz edebilir. Sonuç olarak, bu tez çeşitli güncel ve yenilikçi algoritmaları bünyesinde barındıran ve özgün olarak kullanan yapay zekâ temelli enerji yönetim sistemini mikro şebekeler için önerir. Yapay zekâ temelli tahmin modelleri yine yapay zekâ temelli bir kontrol ajanının vereceği kararları belirler. Mikro şebeke için doğru kontrol aksiyonları seçmeyi öğrenen bu ajan belirlediği kontrol aksiyonunu tasarlanan arayüz aracılığı ile kullanıcıya sunar. Ayrıca, özgün tasarlanan enerji yönetim sistemi arayüzü kullanıcıya mikro şebekeye dair birçok parametreyi önceden görebilme imkânı tanır. Bu tez çalışması özgün çevre tasarımları, ajan önerileri, tahmin modelleri ve yenilikçi tasarıma sahip ara yüzü ile literatüre katkıda bulunur.

Özet (Çeviri)

In many countries, including our own, large amounts of electrical power are generated where the energy source is located, while it is consumed in areas with large industries and populations. This distance between energy generation and consumption leads to the transmission of energy, which results in the waste of energy as heat and increases energy costs. Microgrids have emerged as a solution to energy use by applying the principle of energy generation and consumption at the same place. Microgrids are small-scale electrical grids that can use distributed energy resources in conjunction with conventional grids. They can combine solar panels or plants, wind turbines, energy storage systems, generators, and the utility grid. This reduces energy loss during transmission, improves energy efficiency, and allows energy to be used efficiently. In addition, microgrids that operate in small settlements such as university campuses, military facilities, towns, or neighborhoods can work in“island mode”without a connection to the utility grid when needed. Many microgrids are currently operated using classical control methods and operate in certain size that has only been determined using optimization methods. This limits the efficiency that can be achieved during the operation of the microgrid and makes it difficult to follow new trends in energy storage technologies. The crux and significance of this thesis revolves around the notion that contemporary energy storage technologies can be utilized efficiently within the system, and that the existing artificial intelligence technology can serve as the foundation of the microgrid energy management system. The energy management system designed in this structure reduces energy waste, lowers costs, improves efficiency, and improves grid stability, while also producing effective solutions for energy demand by controlling the use of various sources together. Moreover, this energy management system contributes to reducing carbon emissions while allowing for the easy adaptation of new technologies. In light of all these advantages, this thesis presents an artificial intelligence-based energy management system design for microgrids. To further explain the concept of artificial intelligence, it encompasses machine learning algorithms as a subset, while machine learning includes deep learning algorithms and concepts. In this thesis, microgrid applications of various sizes and properties are examined, and a microgrid simulation model was created at commonly used sizes. This simulation model assumed a microgrid applied to a university campus, with a solar power plant and wind turbines serving as renewable energy sources. The energy management system being designed predicts the power that these sources will generate, using the up-to-date prediction algorithms within artificial intelligence. When designing, the focus is initially on predicting the power that solar and wind turbines will generate, using five years of meteorological data collected at five-minute intervals. The meteorological dataset, consisting of nine different data types, has undergone a series of data pre-processing. Missing data is filled in accordance with the characteristics of the dataset, and outliers are removed. The characteristics of this dataset were analyzed with different graphs and their suitability for training was examined. The labeled data consisting of the generation values at the same region and at the same time/minute intervals were added to the meteorological data set that was deemed suitable for training. Seven prediction models were developed using four prevalent machine learning methods and three novel algorithms based on the gradient boosting machine to predict the power generated by the solar power plant. These prediction models were trained separately using the training dataset made suitable for training. The results obtained from these seven prediction models were presented in both graphical and tabular formats. In addition to comparing which algorithm gave how successful results for this study, the computation costs were also compared. The designed energy management system must also predict the power generated from wind turbines. In this regard, prediction models were created using three different machine learning algorithms, and the results were obtained. These prediction models were compared using various performance metrics. This study conducted within this thesis, which achieved successful results, offers new approaches and unique results to the literature on the prediction of the power generation of renewable energy sources. An artificial intelligence-based energy management system should provide not only energy efficiency but also low energy costs and profitability for the user. The widespread use of dynamic electricity pricing should also be considered, which is determined based on the relationship between countrywide generation and consumption level. In this thesis, it is assumed that the microgrid simulation model developed is located in a country where dynamic pricing is applied. A five-year dataset was created from actual dynamic pricing data obtained from open-source platforms and analyzed. The dataset was examined, preprocessed, and made ready for the training of prediction models. Four deep learning algorithms with memory cell structures were selected for this study. Using these algorithms and the training dataset, price prediction models were developed, and the results were obtained. The learning performances, error values, and accuracies of the models were presented comparatively. These innovative prediction models were integrated into the designed energy management system. Knowing the power demand from a microgrid makes operational decisions more appropriate and robust. The load demand at which time of the day is an important parameter. Knowing the load demand in advance affects decisions regarding resource utilization. Considering this fact, the energy management system designed should also be able to predict load demand. To this end, load demand prediction models were developed using four deep learning methods with memory cell structures similar to price prediction. Actual load values obtained from open sources were scaled according to the simulation model of the microgrid created. Deep learning models were trained using the five-year load dataset, and the results were obtained. The results were presented comparatively using many performance metrics. As a result of this study, successful prediction models were developed and integrated into the designed energy management system. An artificial intelligence-based energy management system uses many prediction models described above. The theoretical and mathematical foundations of all machine learning and deep learning methods used are provided in the second chapter of this thesis. The energy management system described requires an additional controller to manage the microgrid in addition to human management. In this context, this thesis proposes another artificial intelligence-based controller. Data-driven control methods that have replaced classical control methods are popular topics nowadays. This thesis focuses on machine learning-based control methods of this type. In this context, reinforcement learning, which is one of the three main branches of machine learning, is investigated and its foundations are given. Reinforcement learning is the general name for methods based on the principle of controlling the system without the need for a mathematical model of the system. It is possible to separate this concept into methods based on table creation and methods using deep neural networks. In this thesis, controller agents using both types of methods are created. The agent, which will learn to control the system in reinforcement learning, needs to optimize itself. This optimization process is done through trial and error. For the agent to be able to take the best version through these trials, the system it will control, which is a microgrid environment model in this thesis, must have specific characteristics. Five different control agents were designed specifically for the energy management system, three of which were temporal-difference-based and two were deep reinforcement learning-based. Three environment models designed specifically for the microgrid are proposed in this thesis to enable these agents to train themselves. These environment models with unique reward strategies present a new approach to the literature. These environment models that use renewable energy sources, load demand, and dynamic prices for the training of agents have shown quite successful results in terms of energy management. The trained reinforcement learning agents have learned to manage the microgrid and offer considerable profitability to the user. The energy management system whose design steps are explained in this thesis uses many different artificial intelligence algorithms. These artificial intelligence models created, trained, and successful results achieved have been consolidated under a single graphical interface in this thesis. A unique graphical interface has been designed, and all prediction models and control agents have been integrated into this design. This interface design, which consists of seven pages in total, offers many variables and control actions related to the microgrid to the user. The user can see the powers that will be generated for the future, load demand, and the price. In addition, the user can apply many control actions to the microgrid through this interface. The user, who can also see many real-time parameters, can analyze the performance of prediction models and control agents through relevant pages. In conclusion, this thesis proposes an artificial intelligence-based energy management system that contains many current and innovative algorithms for microgrids and uses them uniquely. Artificial intelligence-based prediction models determine the decisions that an artificial intelligence-based control agent will make. This agent, which learns to select the correct control actions for the microgrid, presents the determined control action to the user through the designed interface. Additionally, the originally designed energy management system interface allows the user to see many parameters related to the microgrid in advance. This thesis proposes an energy management system that contributes to the literature with its original approach and can be used in real-world applications.

Benzer Tezler

Tez No
733161
Su kayıp yönetimi ve kontrolü için optimizasyon tabanlı en uygun strateji modelinin geliştirilmesi
Development of optımızatıon based strategy model for water loss management and control
CANSU BOZKURT
Doktora
Türkçe
2022
İnşaat Mühendisliği İnönü Üniversitesi
İnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT FIRAT
Tez No
606676
A novel method to estimate state of charge of li-based batteries
Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini
EYMEN İPEK
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliği İstanbul Teknik Üniversitesi
Elektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT YILMAZ
Tez No
887618
Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliği İstanbul Teknik Üniversitesi
Elektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ
Tez No
888530
Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerji İstanbul Teknik Üniversitesi
Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
Tez No
604742
Yapay zekâ ve kentsel sistemler: Akıllı ulaştırma sistemlerinin kentsel güç içindeki rolü
Artificial intelligence and urban systems: The role of intelligent transportation systems in urban power
AHMET ZİYAEDDİN TÜRKKAN
Yüksek Lisans
Türkçe
2019
Bilim ve Teknoloji Bahçeşehir Üniversitesi
Kentsel Sistemler ve Ulaştırma Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İREM ŞANAL

Geri Dön