Yenilenebilir enerji kaynaklarına dayalı akıllı enerji dağıtım sisteminin tasarımı

Abstract

Son yıllardaki nüfusun hızlı artması, ekonomilerin büyümesi ve teknolojinin ilerlemesi ile birlikte elektrik enerjisinin tüketiminde önemli bir artış yaşanmaktadır. Elektrik enerjisi tüketimindeki artışlar, mevcut enerji kaynaklarının tükenmesine ve fosil yakıta dayalı elektrik üretiminden kaynaklı hava kirliliğine yol açmaktadır. Dünyada kaynakların çeşitlendirilerek sürdürülebilir enerji arzının sağlanması, enerji üretiminin çevreye zararlı etkisinin en aza indirilmesi, yenilenebilir enerji kaynaklarının değerlendirilmesi ve enerji verimliliğinin artırılması önemli hale gelmeye başlamıştır. Bu tez çalışmasının amacı, artan öneme sahip yenilenebilir enerji kaynaklı dağıtık üretim tesislerini akıllı şebekeye entegre etmektir. Şehirlerin enerji ihtiyacını karşılamak için gereken dağıtık üretim tesislerinin sayısına, kapasitesine ve şebekeye bağlanacağı konuma karar vermek için çok amaçlı karma tamsayılı doğrusal programlama modeli oluşturulmuştur. Modelin parametrelerinden biri olan elektrik enerjisi talebindeki belirsizliği ortadan kaldırmak için evrişimli sinir ağını (Convolutional Neural Network: CNN) ve uzun kısa süreli bellek sinir ağını (Long Short-Term Memory: LSTM) birleştiren bir derin öğrenme modeli önerilmiştir. Elektrik enerjisi talebini tahmin etmek için önerilen derin öğrenme modeli LSTM modeli ile karşılaştırılmıştır. İki model performans metrikleri ile karşılaştırıldığında CNN-LSTM hibrit modelinin LSTM modelinden daha iyi sonuçlar verdiği ve elektrik enerjisi talep tahmini için uygun olduğu görülmüştür. Çok amaçlı model ise ağırlıklı toplam yöntemi ve genetik algoritma ile çözülmüştür. Önerilen tahmin modeli ve programlama modelinin şehirlerin elektrik enerjisi ihtiyacını karşılayabilecek yenilenebilir enerji kaynaklarının planlanmasında ve şebekeye entegrasyonunda faydalı olacağı düşünülmektedir.

There has been a significant increase in the consumption of electrical energy with the rapid increase in population, growth of economies, and advancement of technology in recent years. Increases in electrical energy consumption lead to the depletion of existing energy resources and air pollution caused by fossil fuel-based electricity production. In the world, ensuring sustainable energy, minimizing the harmful impact of energy generation on the environment, utilizing renewable energy resources and increasing energy efficiency have become important. The purpose of this thesis is to integrate renewable energy-based distributed generation facilities into the smart grid. A multi-objective mixed integer linear programming model was created to decide the capacity of distributed generation facilities and the location where they will be connected to the grid to meet the electrical energy needs of cities. A deep learning model combining CNN and LSTM is proposed to eliminate the uncertainty in electrical energy demand. The deep learning model proposed to predict electric energy was compared with the LSTM model. When the performance metrics of the two models were compared, it was seen that the CNN-LSTM hybrid model gave better results than LSTM model and was suitable for an electrical energy demand forecast. The multi-objective model was solved by the weighted sum method and genetic algorithm. It is thought that the proposed prediction model and programming model will be helpful in the planning and grid integration of renewable energy sources that can meet the electrical energy needs of cities.