Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi
Load forecasting and decision support system for electric vehicles use
- Tez No: 904411
- Danışmanlar: PROF. ORHAN TORKUL
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Enerji, Industrial and Industrial Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 133
Özet
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.
Özet (Çeviri)
There is a dynamic process affecting many sectors in the world within the framework of global production and consumption understanding coordinated with technological innovations. This situation, which fundamentally affects the social order and the increasing environmental awareness, has revealed the need for the energy sector to be structured with different dynamisms. Many operational and administrative processes are carried out in the dynamic infrastructures of the energy sector and market. In these processes carried out with the aim of maintaining the supply-demand balance of energy, consumers, distribution companies and other market stakeholders interact directly or indirectly. Today, depending on the strategic goals established for the change and development of the global energy sector, governments have certain commitments towards consumers (customers/users) and market stakeholders. These commitments include the production of digital transformation-supported smart grid solutions for the grid infrastructures of power systems and the achievement of net zero CO2 emission targets. The integration of electric vehicles (EV), distributed generation resources of different scales and energy storage systems into medium/low voltage networks and the establishment of smart embedded systems are of critical importance in achieving these goals. With the smart grid infrastructure, automation and digitalization in information, communication, monitoring, control and management systems will be increased, and accurate and reliable guidance mechanisms will be created for decision makers. With these systematic and technological infrastructures created for companies operating in the energy sector to develop strategies suitable for their needs analysis, decision makers can be provided with broad and different perspectives. With the real-time operation of forecasting, planning, control and traceability in the management of networks, crises that may be experienced can be instantly turned into opportunities and the support of decision-making systems can be increased. Thus, time and resources can be saved by providing an analysis, evaluation, guidance, interaction, balancing and reconciliation environment with decision support systems that assist the decision-making process of the relevant parties. In this thesis study, the conceptual framework of the strategies to be applied to minimize the impact of peak load on the distribution network and the variable factors determined accordingly, which are considered based on the general approach in the energy sector, is created. In this conceptual framework, where the impact of EV usage on the distribution network is addressed within the scope of the cause-effect relationship; there are six different variable categories as dependent and independent variables and the confounding, moderating, mediating and control variables that affect them. In the case of intensive use of charging stations by EV users, many elements should be considered and monitored in terms of both the user and local distributed generation resources. In the continuation of the study, a conceptual Decision Support System was developed, which includes the elements affecting the operational and managerial decision-making process of organizations from the perspective of electric vehicle users and public service providers, considering the factors determined in the conceptual framework. In order to meet the intense electricity consumption demands of consumers, energy conversions are provided from various renewable energy sources. The development of new energy demand created by the increase in the use of electric vehicles; causes some changes and transformations in the behaviors of electric vehicle users in the consumer role and in the renewable energy sources that feed the production. Therefore, it is important to understand the new demand and consumption profile that will occur on the distribution network with the intense use of electric vehicles. Different solution strategies need to be produced in order to cope with the increase in the load demand that will occur on the electricity network and the overload problem during the peak time period of this demand. The management of daily energy demand created by electrical energy consumption and the load forecast plans that determine the hourly demand amount for the next day are the determining and guiding elements for the energy sector. With the spread of electric vehicle charging stations, which are a component of distributed production (or distributed energy) where the energy consumption data of EVs are obtained, energy demand forecasts need to be made in more detail, including advanced network analyses instead of regional focus. The accuracy of energy demand forecast is of great importance in order to be able to effectively make load forecast plans related to demand side management and load management in the energy sector. The subject and scope of the study; analysis of new energy demand and periodic peak power (or peak load) demand on the distribution network and load forecasting algorithms to be applied for short-term load forecasting are discussed. In the study, it is aimed to obtain the most realistic, consistent and effective results for the forecasting of EV energy consumption or EV charging load that constitutes the future new demand by utilizing past data. The forecasting methods used in the study are considered as time series forecasting in the literature, and deep learning models were used in the development process of forecasting algorithms. For this purpose, the Stacked Deep Learning Ensemble Model (SDLEM) was proposed in the study to increase the short-term charging load forecasting accuracy of electric vehicles. In the proposed model, CNN, LSTM, GRU, BiLSTM and BiGRU models were considered as base learners, while LightGBM algorithm was used as meta learner. For the implementation of the proposed model, real-time charging session events collected from 54 public charging stations located in the Caltech campus garage of a research university located in Pasadena, California, USA were used. The data belonging to these real-time charging session events; EV charging connection time, EV charging disconnection time and energy consumption attributes were obtained from the open data platform called ACN-DATA. The effectiveness of the developed Stacked Deep Learning Ensemble Model was evaluated by comparing it with the performances of deep learning based single models using MAE, RMSE, NRMSE and R² performance metrics. As a result of the evaluation, the MAE, RMSE, NRMSE and R² performance metric values of the proposed model were obtained as 3.5894, 4.9935, 0.0551 and 0.9444, respectively, and it was seen that it gave the best performance compared to the compared single models. In order to manage the demand for electric vehicles and optimize charging control in the capacity planning of the EV charging infrastructure of distribution networks, problems such as demand uncertainty, energy uncertainty, EV mobility, network uncertainty, and price uncertainty should be addressed. In order to manage these uncertainties with the integration of information and communication technologies into the power system, optimality, improvement, and sustainability should be ensured with artificial intelligence applications in the activities of the predictive dynamic processes of energy. In summary, the study; a conceptual framework for the impact analysis of EV charging load demand on distribution networks, a conceptual Decision Support System and a methodology for EV charging load forecasting have been created, and load forecasting models based on deep learning algorithms have been developed. In this context, it is aimed to increase the flexibility of the power system by supporting the construction of smart charging control and decision-making mechanisms based on data obtained and interpreted by utilizing information and communication technologies. It is thought that this study will also guide other smart grid technology development studies.
Benzer Tezler
- Modeling of the marine diesel engines with comparative machine learning methodologies
Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi
MEHMET İLTER ÖZMEN
Doktora
İngilizce
2024
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN AZMİ ÖZSOYSAL
- Design and implementation of sensorless vector controlled drive for PMSMs
Sürekli mıknatıslı senkron motorlar için sensörsüz vektör kontrollü sürücü tasarımı ve gerçeklenmesi
BURAK GÖRDÜK
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT YILMAZ
- Elektrikli araçların şehir içi yük taşımacılığında kullanımı
The adoption of electric vehicles in urban freight transportation
ŞÜKRÜ İMRE
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. DİLAY ÇELEBİ
- Space debris detection for mega constellation satellites: Terahertz-band integrated sensing and communication approach
Uzay enkazı tespiti için mega takımyıldızı uydularında terahertz bandında tümleşik algılama ve haberleşme yaklaşımı
GİZEM SÜMEN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Farklı yanma odası geometrilerinin doğal gaz ve benzin yakıtı ile incelenmesi
Investigation of different combustion chamber geometries with natural gas and gasoline fuel
HÜSEYİN EMRE DOĞAN
Doktora
Türkçe
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN AKIN KUTLAR