Mikro şebekelerde derin öğrenme destekli enerji yönetimi

Abstract

Geleneksel elektrik enerjisi sistemlerinin en önemli gereksinimlerinden birisi, üretim ve tüketim dengesinin anlık olarak sağlanmasıdır. Bunu gerçekleştirmek için yüksek kapasiteli güç santralleri kullanılmakla beraber, çok sayıda yenilenebilir enerji santralinin şebekeye entegre olması ve bu santrallerin enerji üretiminin belirsiz olması, bu dengenin sağlanmasını riske atmaktadır. Mikro şebekeler, belirli bir alanda bulunan yüklerin ve dağıtılmış üretim santrallerinin koordineli bir şekilde işletilmesi ile bu dengeyi yerel olarak sağlayabilmekte ve dağıtım şebekesi üzerindeki stresi azaltabilmektedir. Bu tez çalışmasında, konut mikro şebekelerinin optimum şekilde işletilmesi için iki seviyeli Enerji Yönetim Sistemi (EYS) sunulmuştur. Geliştirilen EYS'nin en önemli bileşeni ise, mikro şebekede bulunan tüketicilerin izlenmesini ve kullandıkları cihazların anlık olarak tespitini sağlayabilen Müdahaleci Olmayan Yük İzleme (MOYİ) sistemidir. MOYİ, kullanıcıların ana sayacından okunan toplam tüketim verisinin çeşitli sinyal işleme yöntemleri ile analiz edilerek, cihaz bazında tüketim verilerinin elde edilmesini sağlayan bir yaklaşımdır. Aktif olarak çalışan yüklerin anlık olarak tanınması ve tükettikleri enerjinin tahmini, sunulan iki farklı derin öğrenme modeli ile gerçekleştirilmiştir. Aalborg Üniversitesi, Enerji Teknolojileri Departmanı, IoT Microgrid Laboratuvarı'nda bulunan dokuz farklı cihaz için Geçitlenmiş Özyinelemeli Birimler (GÖB) tabanlı bir derin öğrenme modeli kullanılarak gerçek zamanlı bir yük tanıma analizi gerçekleştirilmiştir. Analiz edilen cihazın tipine bağlı olarak %65 ile %96 arasında bir analiz başarısı elde edilmiştir. Bunun haricinde çevrim dışı ve gerçek zamanlı analiz arasındaki doğruluk farkı test edilmiş ve gerçek zamanlı analizin doğruluk oranının, %5 ila %10 arasında daha düşük olduğu gözlemlenmiştir. Geliştirilecek EYS için sadece yük tanıma analizinin yetersiz olduğu düşünülerek yeni bir GÖB tabanlı derin öğrenme modeli sunulmuş ve cihazların hem açık/kapalı olma durumları hem de tükettikleri güç, çevrim dışı olarak analiz edilmiştir. Sunulan model, iki ayrı analizi aynı anda yapabilecek kapasiteye sahip olduğu için literatürde daha önce kullanılmış derin öğrenme modellerinden daha yüksek performans göstermiştir. Tezin ikinci kısmında ise MOYİ analizinden elde edilen çıktılar kullanılarak, efektif bir EYS mekanizması tasarlanmıştır. MOYİ analizinin EYS'ye dahil edilmesinin temel amacı, müşterilerin tüketim alışkanlıklarını göz önüne alarak, onların elektrik faturalarını azaltmak, şebekenin sunacağı talep tarafı yönetimi uygulamalarından maksimum şekilde faydalanabilmelerini ve ek teşvikler alabilmelerini sağlamaktır. Her tüketici farklı bir yaşam tarzına, dolayısı ile farklı tüketim alışkanlıklarına sahiptir. MOYİ analizi sayesinde, her müşterinin yaşam alışkanlıkları ve tüketim davranışları öğrenilerek tüketiciye özel bir enerji yönetimi tasarlanabilmektedir. Tezde sunulan iki seviyeli EYS'nin birinci seviyesinde, MOYİ analizinden elde edilen sonuçlar istatistiksel olarak incelenmiş ve elde edilen veriler kullanılarak, tüketiciye özgü bir maliyet optimizasyonu gerçekleştirilmiştir. Optimum maliyet, cihazların kullanım zamanlarının, elektrik fiyatlarının yüksek olduğu periyotlardan düşük olduğu periyotlara optimum olarak kaydırılması ile sağlanmıştır. Bu sayede tüketicilerin konforu gözetilerek elektrik faturalarının otomatik olarak azaltılması sağlanmıştır. İkinci seviyede ise, mikro şebekede bulunan üretim ve tüketim birimlerinin kapasiteleri ve kısıtları dikkate alınarak, mikro şebekenin optimum şekilde işletilmesi hedeflenmiştir. Bu kapsamda çoklu bir amaç fonksiyonu tanımlanarak hem mikro şebekenin işletme maliyetinin düşürülmesi, hem de şebekede oluşacak yeni piklerin engellenmesi amaçlanmıştır. Geliştirilen EYS algoritması, Aalborg Üniversitesi, Enerji Teknolojisi Departmanı, AC/DC Microgrid Laboratuvarı'nda gerçek zamanlı olarak test edilmiştir. Elde edilen sonuçlar, geliştirilen EYS algoritmasının uygulanabilirliğini ispatlamıştır. Bununla birlikte farklı optimizasyon periyotlarının, EYS performansı üzerindeki etkisi analiz edilmiştir. Optimizasyon için kullanılan tahminlerin kabul edilebilir doğrulukta olması durumunda, optimizasyon periyodunun uzamasının, EYS performansını arttırdığı gözlemlenmiştir. 6, 12 ve 24 saatlik periyotlar için yapılan deneyler sonucunda, 24 saatlik optimizasyon periyodunun, bataryanın daha efektif bir şekilde kullanılmasını ve mikro şebekenin daha ekonomik olarak işletilmesini sağladığı tespit edilmiştir.

One of the most important requirements of traditional electric energy systems is to keep demand and supply balanced at all times. Although large power plants are used to achieve this target, the integration of renewable energy plants into the utility grid and the uncertainty of the energy generation of these plants jeopardizes this balance. Microgrids can achieve this balance locally and reduce the stress on the distribution network by operating the load and distributed generation plants in a specific area in a coordinated manner. In this thesis, a two-level Energy Management Strategy (EMS) is proposed for optimum operation of a residential microgrid. The most important component of the developed EMS is the Non-Intrusive Load Monitoring (NILM) module that can monitor consumers in the microgrid and instantly detect the appliances they use. NILM is the process of disaggregating the electricity consumption data of end-users measured by a main meter into its appliance-level components using various signal processing methods. The instant identification of actively operating appliances and the estimation of their energy consumption were made with two different deep learning models. A real-time load identification analysis was performed using a Gated Recurrent Units (GRU) based deep learning model for nine different appliances located in the IoT Microgrid Laboratory, Department of Energy Technology, Aalborg University. Depending on the type of appliance analyzed, an analysis success between 65% and 96% was achieved. Apart from this, the difference in accuracy between offline and real-time analysis was tested and it was observed that the accuracy of real-time analysis was 5% to 10% lower. Considering that only load identification analysis is insufficient for the proposed EMS, a new GRU-based deep learning model has been proposed, and both the on/off state of the appliances and their power consumption are analyzed offline. The proposed model performed better than the deep learning models used previously in the literature, as it has the capacity to perform two separate analyzes simultaneously. In the second part of the thesis, an effective EMS mechanism is designed by using the output of NILM analysis. The main purpose of including NILM into the EMS is to reduce the electricity bills of customers by taking into account the consumption habits of them, to benefit from the demand-side management applications offered by the utility grid and to get extra incentives. Each consumer has a different lifestyle and therefore, they have different consumption habits. Thanks to the NILM analysis, the life habits and consumption behaviors of each customer can be learned and a consumer-specific energy management can be designed. In the first level of the two-level EMS, the results obtained from the NILM analysis were statistically analyzed and a consumer-specific cost optimization was performed using the data obtained. The optimum cost is provided by optimally shifting the usage time of the appliances from the periods when electricity prices are high to the periods when the electricity prices are low. In this way, electricity bills were automatically reduced by considering the comfort of consumers. In the second level, it is aimed to operate the microgrid in an optimum manner, taking into account the capacities and constraints of the generation and consumption units existing in the microgrid. In this context, by defining a multi-objective function, it is aimed to reduce the operation cost of the microgrid and to prevent new peaks to be occurred in the utility grid. The developed EMS algorithm has been tested in real-time at Aalborg University, Department of Energy Technology, AC/DC Microgrid Laboratory. The obtained results proved the applicability of the developed EMS algorithm. In addition, the effect of different optimization periods on EMS performance was analyzed. It has been observed that if the estimations used for optimization are of acceptable accuracy, the extension of the optimization period increases the performance of the EMS. As a result of the experiments conducted for 6, 12 and 24 hour periods, it has been observed that the 24 hour optimization period enables the battery to be used more effectively and the microgrid to operate more economically.