Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
- Tez No: 887668
- Danışmanlar: DOÇ. DR. RAMAZAN ÇAĞLAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- 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: 195
Özet
Mikroşebekeler, son on yılda enerji sektöründe öne çıkan teknolojiler olarak ortaya çıkmıştır. Bunlar kırsal alanlarda veya kampüslerde kurulan küçük enerji santralleridir. Mikro şebekelerin, enerji talebinin sürekli arttığı ve karbon emisyonlarını azaltmak için yenilenebilir enerjiye geçişin şiddetle tavsiye edildiği bu çağda sunabileceği çok şey vardır. Bununla birlikte, uzak yerlerde hızlı kurulum kolaylığı sayesinde mikro şebekeler güneş, rüzgar ve biyokütle gibi çeşitli yenilenebilir kaynakların entegrasyonunu kolaylaştırmaktadır. Bununla birlikte, yenilenebilir kaynakların zaman zaman belirsiz ve değişken, bazen de kesintili olduğu ve geleneksel kurulumların zorlanmasına neden olduğu sıklıkla vurgulanmalıdır. Bu amaçla, yenilenebilir kaynakların entegrasyonu son yıllarda sürekli olarak incelenmektedir. Bu projeksiyonda, bu tez, yeni derin öğrenme yöntemlerini kullanarak kampüslerde kurulan küçük tesislerde yenilenebilir kaynakların fizibilitesini ve potansiyelini araştırmak, incelemek ve analiz çözümleri önermeyi amaçlamaktadır. Bu tez, Doğu Afrika'daki benzer kurulumlar için örnek teşkil edecek Cibuti'deki bir üniversite kampüsüne kurulan bir mikro şebekenin çalışma alanı olarak kabul edilmektedir. Bu tezin temeli, üçüncü dünya ülkelerinde daha fazla mikro şebeke kurulmasına yönelik yatırımları kolaylaştırmak için potansiyellerin doğru ve doğru tahminlerini sunmak için derin öğrenme yöntemlerinin kullanılmasına dayanmaktadır. Derin öğrenme yöntemleri, insan beyninin çalışma prensiplerinden esinlenen yapay zeka algoritmalarını kullanan makine öğrenimi yöntemlerinin alt kümeleridir. Aslında, yapay zeka algoritmaları büyük miktarda veriye ihtiyaç duyduğundan, yapay zeka büyük veri kullanımından gelmektedir. Dolayısıyla, yapay zekânın Büyük Veri'nin bir alt kümesi olduğunu söylemek kolaydır. Bir başka bilgi de derin öğrenme yöntemlerinin üç veya daha fazla katman kullanarak makine öğrenimi yöntemlerinden ve sinir ağı yapay zekasından ayrıldığıdır. Genel olarak, bu derin algoritmalar daha iyi öğrenme verimliliği için eğitilmiş verileri genelleştirmek için daha fazla veriye ihtiyaç duyar. Bu durumda, eğitim verilerini tahmin etmek için bir yıllık güneş ve rüzgar enerjisi üretimini simüle ettik, uydulardan bir yıllık meteorolojik veri topladık, Haziran'dan Ocak'a kadar altı aylık iklim verilerini ölçtük, böylece iki mevsimi dikkate aldık ve bir haftalık yerel enerji santrali üretimini ölçtük. Bu veriler başlangıçta iki tür model oluşturmak için kullanılmıştır. Bu tezde bir yıllık güneş ve rüzgar enerjisi üretimini tahmin eden bir model önerildi ve bu bağlamda parametrelendirmede benzersiz ve temiz olan uzun kısa süreli bellek yöntemlerinden oluşan bir mimari önerildi. Böylece, bir yıl içinde üretilecek bu güç tahminlerini, kampüs elektrik fakültesinin üç binası tarafından tüketilen güç ile inceleyerek mikro enerji santralinin sürdürülebilir bir şekilde sağlama fizibilitesini görebildik. Bu karşılaştırma, Cibuti Cumhuriyeti'nin yenilenebilir enerjileri tamamen kullanmayı amaçlayan Vizyon 2035 politikası bağlamında önemlidir. Bir diğer görev de Cibuti Cumhuriyeti'nin son on yılına ait, ülkenin iklim parametreleri ve enerji potansiyelini inceleyen literatürü toplamaktı. Bu şekilde, yenilenebilir enerjilerden uygun şekilde faydalanmak için mevcut literatürden tüm makul iklimsel veri aralıklarını toplayabildik. Bu aralıkların toplanmasıyla, makine öğrenimi algoritmalarının Karar Ağacı yöntemlerine dayanan uydu hava durumu verilerinin yılını kullanan bir sınıflandırma modeli geliştirebildik. Bu şekilde, iklim ve enerji üretimi etrafında, iklim veri parametrelerinin istenen aralıklardaki olasılıklarını gösteren bir Karar Ağacı oluşturduk. Bu adım, Karar Ağacının fizibilite tahmini amacıyla eğitilmesinden oluşmaktadır. Bir diğer görev de uzun kısa vadeli hafıza ve karar ağaçlarının avantajlarını birleştirmeyi öneren yenilikçi bir metodoloji oluşturmak olmuştur. Bu metodoloji, karar sınıflandırmasının sonuçlarını, uzun kısa süreli belleğin sıralı işlevlerini ve bir füzyon katmanını içerir. Bu füzyon, sıralı eylemleri hedefleme kabiliyetini Karar Ağacının doğrusal olmayan kabiliyeti ile birleştirmek gibi avantajlar sunmaktadır. Ayrıca füzyon, her bir probleme ve veri kümesine uyacak şekilde aşırı uyum sağlama riskini azaltır. Bu sınıflandırıcı literatürdeki diğer yöntemlerle karşılaştırılarak doğrulanmış ve Karar Ağacının en iyi şeklini bulmak için hiperparametrelerin ayarlanması incelenmiştir. Bu doğrultuda, bu tez çalışmasında iki yenilikçi algoritma daha sunulmuştur. Bunlardan biri, yenilenebilir kaynakların kesintili olmasından kaynaklanan dinamik davranışı yöneten ve düzenleyen parametrelerin tüm olasılık dağılımlarını tahmin etmek için bir Bayes çıkarım çerçevesinde sıradan sinirsel diferansiyel denklemlere dayanan yenilikçi bir çözüm önermekten ibarettir. Bu sayede yöntem, belirsizliğin etkisini azaltmakta ve karar vericilerin kararlarını daha iyi yönetebilmelerini sağlamaktadır. Bu tezde üretilen modellerin bir diğer ana hattı, ölçülen altı aylık iklim verileri için güneş ışınımı, rüzgar hızı, nem ve yağış gibi iklimsel değişkenlerin bir fonksiyonu olarak enerji tüketimini tahmin etmek için karar ağacı regresyonu ile otomatik kodlayıcıların yeni bir kombinasyonunu sunmaktı. Bu teknik, enerji tüketimi dengesini optimize etmek ve mikro şebekelerin yenilenebilir kaynaklarını üretmek için uygulanabilir bir yaklaşım oluşturmaktadır. Bu perspektiften, zaman serisi verilerinin tahmini için literatür tarafından önerilen ve özellikle incelenen küçük enerji santrallerinde üretilen güçlerin tahmininde en iyi performansı sunan en iyi derin öğrenme algoritmasını bulmaya ve sonuçlandırmaya çalıştık. Tekrarlayan Sinir Ağı yöntemlerini ve ayrıca hafızayı depolamayı ve ayrıca kaybolan gradyan etkilerini azaltmayı başardıkları için Tekrarlayan Sinir Ağının geliştirilmiş varyantları olan Geçitli Tekrarlayan Birim, Uzun kısa süreli hafıza, karakteristik olarak görüntü işlemede kullanılan ancak son on yılda zaman serisi verilerinin tahmin edilmesinde uygulanan Evrişimli Sinir Ağı ve son olarak tipik sinir ağı olan İleri Beslemeli Sinir Ağını da karşılaştırmaya ekledik. Bu karşılaştırmada, hibrit varyantlar ve her modelin bir fonksiyona sahip olduğu bu yöntemlerin iki, üç veya dört kombinasyon olasılıkları dikkate alınmıştır. Bu karşılaştırmada santral tarafından bir hafta boyunca üretilen güç verileri kullanılmıştır. Gated Recurrent Unit - Convolutional Neural Network modelinin hibrit kombinasyonunun en iyi performansı ve en düşük model kayıplarını verdiği görülmüştür. Son olarak, bu tez fizibilite çalışmaları oluşturmak için derin öğrenme yöntemlerini kullanmaktadır. Fizibilite, küçük enerji santrali kurulumlarının güvenilirliğini ve istikrarını artırmak için bu alanda hayati önem taşımaktadır. Bu süreçte, doğru bir talep ve üretim tahmini ile kaynakları ve maliyetleri optimize etmek mümkündür. Ayrıca bu tahminler ve sınıflandırmalar sayesinde küçük enerji santralleri enerji depolamayı yönetebilir ve sadece üçüncü dünyada değil tüm dünyada pahalı ve zor bir malzeme olan bataryalar, ek olarak enerjiyi en ekonomik zamanlarda satın almamızı ve fosil yakıt kullanımını sınırlamamızı sağlar. Ayrıca bu tez, yenilenebilir enerji kaynaklarını daha iyi entegre ederek ve enerji talebine yanıt stratejileri uygulayarak verimliliği en üst düzeye çıkarmakta ve işletme maliyetlerini azaltmaktadır. Bu amaçla, dört derin öğrenme algoritması geliştirdik ve yenilenebilir kaynakların küçük enerji santrallerine entegre edilmesinin fizibilitesini incelemek için bunları zaman serisi tahmin alanında kullanılan algoritmalarla karşılaştırdık.
Özet (Çeviri)
Microgrids have emerged as prominent technologies in the energy sector over the last decade. They are small power plants installed in rural areas or on campuses. Microgrids have a lot to offer in this era of ever-increasing energy demand, and the transition to renewable energy is highly recommended to reduce carbon emissions. Nevertheless, with their ease of rapid installation in remote locations, microgrids facilitate the integration of various renewable sources such as solar, wind, and biomass. However, it is often essential to stress that renewable resources are uncertain at times and volatile, sometimes intermittent, causing conventional installations to struggle. To this end, the integration of renewable sources has been studied constantly in recent years. In this projection, this thesis seeks to study, examine, and propose analysis solutions to investigate the feasibility and potential of renewable resources in small plants installed on campuses using new deep learning methods. This thesis is considered a study area of a microgrid installed on a university campus in Djibouti that will set an example for similar installations in East Africa. The foundation of this thesis is based on the use of deep learning methods to offer accurate and correct predictions of potentials to facilitate investments to install more microgrids in third-world countries. Deep learning methods are subsets of machine learning methods that use artificial intelligence algorithms inspired by the working principles of the human brain. In fact, artificial intelligence comes from the use of big data since artificial intelligence algorithms require vast amounts of data. So, it is easy to say that artificial intelligence is a subset of Big Data. Another piece of information is that deep learning methods are distinguished from machine learning methods and neural network artificial intelligence by using three or more layers. In general, these deep algorithms require more data to generalize the trained data for better learning efficiency. In this case, to predict the training data, we simulated a year of solar and wind power production, collected a year of meteorological data from satellites, measured six months of climatic data from June to January, thus considering two seasons, and measured one week of local power plant production. This data was initially used to build two types of models. A model predicting one year of solar and wind power generation was proposed in this thesis, and an architecture of long short-term memory methods that is unique and clean in the parameterization of this context was proposed. Thus, we were able to examine these predictions of the power that will be generated in a year with the power consumed by the three buildings of the campus electrical faculty to see the feasibility of the micro-power plant to provide sustainably. This comparison is essential in the context of the Republic of Djibouti's Vision 2035 policy, which aims to fully use renewable energies. Another task was to collect the literature of the last ten years of the Republic of Djibouti, which consisted of studying the country's climatic parameters and energy potential. In this way, we could collect all the plausible intervals of climatic data from the existing literature to properly exploit renewable energies. With this collection of intervals, we were able to develop a classification model that uses the year of satellite weather data based on Decision Tree methods of machine learning algorithms. In this way, we have built a Decision Tree around climate and power generation that shows the probabilities of the climate data parameters within the desired ranges. This step consists of training the Decision Tree for feasibility forecasting purposes. A further task has been to construct an innovative methodology that proposes to unify the advantages of long short-term memory and decision trees. This methodology contains the results of the decision classification, the sequential functionalities of long short-term memory, and a fusion layer. This fusion offers advantages such as combining the ability to target sequential actions with the non-linear capability of the Decision Tree. In addition, fusion reduces the risk of overfitting to fit each problem and dataset. This classifier has been validated by comparison with other methods in the literature, and we have examined the tuning of the hyperparameters to find the best form of the Decision Tree. In this direction, two other innovative algorithms have been presented in this thesis study. One consists of proposing an innovative solution based on ordinary neural differential equations in a Bayesian inference framework to estimate all the probability distributions of the parameters that govern and regulate the dynamic behavior caused by the intermittency of renewable sources. In this way, the method reduces the influence of uncertainty and enables decision-makers to better manage their decisions. Another central line of the models produced in this thesis was to present a new combination of auto-encoders with decision tree regression to predict energy consumption as a function of climatic variables such as solar irradiance, wind speed, humidity, and precipitation for the six months of measured climatic data. This technique establishes a feasible approach for optimizing the balance of energy consumption and producing renewable sources of microgrids. From this perspective, we have tried to find and conclude the best deep learning algorithm proposed by the literature for the prediction of the time series data, which offers the best performance in predicting the powers generated in small power plants especially the one studied. We have taken the Recurrent Neural Network methods and also the Gated Recurrent Unit, Long short-term memory which are improved variants of Recurrent Neural Network since they manage to store the memory and also to reduce the vanishing gradient effects, adding also to the comparison the Convolutional Neural Network, which is characteristically used in image processing but that this last decade, it is applied in predicting time series data, and also finally the Feed-Forward Neural Network which is typical neural network. In this comparison, the hybrid variants, and the possibilities of combinations of these methods by two, three, or four were considered, where each model has a function. The data on the power produced by the plant over one week was used in this comparison. We found that the hybrid combination of the Gated Recurrent Unit - Convolutional Neural Network model gave the best performance and the lowest model losses. Finally, this thesis uses deep learning methods to establish feasibility studies. Feasibility is vital in this field to improve the reliability and stability of small power plant installations. In this process, it is possible to optimize resources and costs with an accurate prediction of demand and production. Also, thanks to these predictions and classifications, small power plants can manage energy storage, and batteries which are an expensive and challenging material not only in the third world but the whole world, additionally enable us to buy energy at the most economical times, and for limiting fossil fuel use. Furthermore, this thesis maximizes efficiency and reduces operational costs by better integrating renewable energy sources and implementing energy demand response strategies. To this end, we have developed four deep learning algorithms and compared them with algorithms used in the time series forecasting domain to study the feasibility of integrating renewable sources into small power plants.
Benzer Tezler
- Türk hukukunda makine öğrenmesine dayalı yapay zekada verinin hukuka uygun şekilde kullanılması
Lawful use of data in machine learning-based artificial intelligence under the Turkish law
OSMAN GAZİ GÜÇLÜTÜRK
Doktora
Türkçe
2021
HukukGalatasaray ÜniversitesiÖzel Hukuk Ana Bilim Dalı
DOÇ. DR. FÜLÜRYA YUSUFOĞLU BİLGİN
- Zihinsel yorgunluk bulgularının fizyolojik sinyallere dayalı analizi
Analysis of signs of mental fatigue based on physiological signals
ŞEYMA DERDİYOK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA PATLAR AKBULUT
- Kazıklı radye temellerin düşey yükler altında davranışının sonlu elemanlar yöntemiyle iki boyutlu ve üç boyutlu olarak parametrik incelenmesi
Parametric study on piled raft foundation behavior under vertical loads by 2D and 3D finite elements method
BATUHAN ÇOLAK
Yüksek Lisans
Türkçe
2023
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ASLI YALÇIN DAYIOĞLU
- Tüp içinde tüp sistemli bir yapının yatay yükler altındaki davranışının araştırılması
Başlık çevirisi yok
HASAN BORA KILIÇ
Yüksek Lisans
Türkçe
1998
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NAHİT KUMBASAR
- Novel cochlear electrode array development using microfabrication techniques
Mikrofabrikasyon teknikleri kullanılarak yenilikçi koklear elektrot dizini geliştirilmesi
GÜLÇİN ŞEFİYE AŞKIN
Doktora
İngilizce
2024
Makine MühendisliğiHacettepe ÜniversitesiNanoteknoloji ve Nanotıp Ana Bilim Dalı
DOÇ. DR. BİLSAY SÜMER