A model-free approach for microgrids energy management
Microgids enerji yönetimi için modelsiz bir yaklaşım
- Tez No: 918786
- Danışmanlar: DR. ÖĞR. ÜYESİ İSA AVCI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Mikro şebekeler (MG'ler), yenilenebilir enerji kaynaklarını (RES'ler) bağlayarak ve artan elektrikli araç (EV) ihtiyacını karşılayarak sürdürülebilir enerji sistemlerine geçişte kritik bir role sahiptir. Ancak, enerji arzındaki belirsizlikler ve talebin değişken doğası, enerjiyi optimal şekilde kullanma konusunda önemli zorluklar oluşturmaktadır. Bu tezin amacı, güçlü ve dönüştürücü metodları entegre ederek MEM operasyonel performansını ve maliyet verimliliğini iyileştiren model-free mikro şebeke enerji yönetimi (MEM) yaklaşımını geliştirmektir. Özellikle, Birinci Aşamada, derin öğrenme tabanlı yük tahmini ile bir gün önceden planlama yapılarak Geliştirilmiş Gri Kurt Optimizasyonu (EGWO) algoritması kullanılmıştır. Bu metod ile kaynaklarımızın belirsizlik altında programlamasını optimize ettik ve toplam maliyetin %7.5 altında işletme maliyeti ile 841.755 €ct/kWh maliyet elde ettik. Bu yaklaşım, sadece %11 yükün dışsal olarak nominal maliyetlerle %5 katkıda bulunabileceği şekilde, güvenilir enerji sağlarken şebeke gücünden daha az yararlanmaktadır. Birinci Aşama, enerji değişim modelleri ve gerçek zamanlı enerji yönetim sistemlerinin kısıtlamaları hakkında daha derin bir anlayış sağlarken, İkinci Aşama, hızlı (fast) ve yavaş (slow) EV şarj cihazlarının entegrasyonu nedeniyle meydana gelen gerçek ve öngörülemeyen enerji talebi ve arzındaki değişikliklerden kaynaklanan gerçek zamanlı enerji düzenleme zorluklarına çözüm sunmayı önermektedir. Bu gereksinimlere uyum sağlamak amacıyla, tez, zamanla uyum sağlanabilen ve geleneksel sistem modellemesine bağlı olmayan bir Takviyeli Öğrenme yaklaşımı temelinde Derin Belirleyici Politika Gradyanı (DDPG) mimarisi önermektedir. Bu aşamada, problem Markov Karar Süreci (MDP) olarak formüle edilmiştir. Bu, Deep Q Network (DQN)'ye göre %4 iyileşme ve Dueling Deep Q Network (Dueling DQN)'e göre %3.19 maliyet tasarrufu ile 51.8770 €ct/kWh fiyatına ulaşır. Ayrıca, enerji şebekesinde daha düşük kayıplar ve daha stabil bir sistem sağlarken belirsizlikleri etkili bir şekilde kontrol eder. Yeni bileşenler, örneğin EV şarj istasyonları sisteme entegre edildiğinde, Birinci Aşamadan İkinci Aşamaya geçiş, MG enerji yönetiminin artan karmaşıklığını ve ölçeklenebilir, sağlam ve uyarlanabilir metodlar için artan ihtiyacı vurgular. Önerilen etkili model-free yaklaşımlar, sonuçlar tarafından doğrulanmış sürdürülebilir, dayanıklı ve verimli güç sistemlerini etkili bir şekilde iyileştirir. Birinci aşamadan ikinci aşamaya geçiş, EA şarj istasyonları gibi yeni bileşenlerin entegrasyonu ile ortaya çıkan mikroşebeke enerji yönetimindeki artan karmaşıklığı yansıtmakta ve ölçeklenebilir, sağlam ve uyarlanabilir yöntemlerin gerekliliğini vurgulamaktadır. Sonuçlar, önerilen model bağımsız yaklaşımların sürdürülebilir, dayanıklı ve verimli enerji sistemlerini geliştirmedeki etkinliğini ortaya koymaktadır. Birinci aşamadan ikinci aşamaya geçiş, EA şarj istasyonları gibi yeni bileşenlerin entegrasyonu ile ortaya çıkan mikroşebeke enerji yönetimindeki artan karmaşıklığı yansıtmakta ve ölçeklenebilir, sağlam ve uyarlanabilir yöntemlerin gerekliliğini vurgulamaktadır. Sonuçlar, önerilen model bağımsız yaklaşımların sürdürülebilir, dayanıklı ve verimli enerji sistemlerini geliştirmedeki etkinliğini ortaya koymaktadır.
Özet (Çeviri)
Microgrids (MGs) have a crucial role in the transition to sustainable energy systems, connecting Renewable Energy Sources (RESs) and meeting the increasing need for Electrical Vehicles (EVs). However, the intrinsic uncertainties of energy supply and the erratic nature of demand pose significant challenges to optimally utilize energy. The objective of this thesis is to develop a model-free Microgrid Energy Management (MEM) approach which incorporates these powerful and transformative methods to improve MEM operational performance and cost efficiency. Specifically, during Stage One, the Enhanced Grey Wolf Optimization (EGWO) algorithm is used along with a day-ahead plan via deep learning-based load forecasting. Based on this method, we optimized the scheduling of our resources under uncertainty and obtained a 7.5% lower operated cost with an overall cost of 841.755 €ct/kWh. This approach guarantees a reliable power supply while utilizing less of the grid power, as only 11% of the load can be externally contributed in nominal costs of 5%. While Stage One has established a deeper understanding of energy change patterns and the constraints of real-time energy management systems, Stage Two proposes to tackle real-time energy arrangement challenges that arise from actual and unpredictable variations in energy demand and supply due to the integration of rapid (fast) and slower (slow) EV chargers. In order to comply with these requirements, the thesis proposes a Deep Deterministic Policy Gradient (DDPG) architecture based on a Reinforcement Learning approach that can be adapted based on time and is not dependent on traditional system modelling. In this stage, the problem is formulated as a Markov Decision Process (MDP). It achieves a price of 51.8770 €ct/kWh, which is a 4% improvement with respect to Deep Q Network (DQN) and a 3.19% cost savings with respect to Dueling Deep Q Network (Dueling DQN). Additionally, it achieves lower loss in the power network and a more stable system whilst effectively controlling uncertainties. As new components such as EV charging stations become integrated into the system, the move from Stage One to Stage Two underscores the increasing complexity of MG energy management that enhances the need for scalable, robust, and adaptive methods. The proposed model-free approaches effectively improve sustainable, resilient, and efficient power systems, as confirmed by the results.
Benzer Tezler
- Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi
Development of artificial intelligence based control methods for detection of islanding conditions and classification of power quality events in microgrids
ALPER YILMAZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Average integrated causation entropy in analysis of chaotic dynamical networks in complete and cluster synchronization
Tam ve küme eşzamanlılığı gösteren kaotik dinamik ağların ortalama toplamsal nedensellik entropisi ile analizi
ÖZGE CANLI USTA
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN GÜNEL
- A machine learning approach for direct marketing in digital channels
Dijital kanallarda doğrudan pazarlama için yapay öğrenme yaklaşımı
FULYA ÖZEN GÜR
Yüksek Lisans
İngilizce
2018
Endüstri ve Endüstri MühendisliğiBoğaziçi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ALİ RIZA KAYLAN
- Model free visual servoing in macro and micro domain robotic applications
Makro ve mikro dünyadaki robotik uygulamalarda modelden bağımsız görsel geri beslemeli kontrol
EROL ÖZGÜR
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiElektronik Mühendisliği ve Bilgisayar Bilimi Ana Bilim Dalı
DOÇ. DR. MUSTAFA ÜNEL
- Joint friction estimation and slip prediction of biped walking robots
İki bacaklı yürüyen robotlar için eklem sürtünmesi ve ayak kayma tahmini
IYAD F.I. HASHLAMON
Doktora
İngilizce
2014
Mekatronik MühendisliğiSabancı ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
Assoc. Prof. Dr. KEMALETTİN ERBATUR