Dağıtık enerji üretim sistemlerinin yapay zeka teknikleri ile yönetimi ve kontrolü

Son yirmi yıldır dünya küresel ısınma ve iklim krizi ile mücadele etmektedir. Teknolojinin hızla gelişmesiyle enerji üretmek için fosil yakıtların yakılması gibi uygulamalara rağmen, mevcut kaynaklar tersine tükenmekte ve atmosfere çok sayıda sera gazı salınmaktadır. Öte yandan gelişmekte olan ülkeler, örneğin Türkiye, enerji ithalatına büyük ölçüde bağımlı ülkeler arasında yer almaktadır. Bu bağımlılık, yeni ve alternatif enerji kaynaklarına olan ilgiyi artırmıştır. Böylece yenilenebilir enerji kaynakları kavramı oldukça önem kazanmıştır. Bunun bir sonucu olarak, yenilenebilir enerji endüstrisi ve onun uygulama alanı son yirmi yılda gelişmiş ve büyük ilgi görmüştür. Güneş, rüzgâr ve biyokütle vb. gibi yenilenebilir tabanlı dağıtık üretim enerji sistemlerinin gelişimi her geçen yıl daha yaygın hale gelmiştir. Mikro şebekelerde yenilenebilir enerji kaynakların daha geniş ölçekte kullanılmasını sağlamak için dağıtık üretimler son zamanlarda önem kazanmıştır. Bu nedenle yenilenebilir enerji alanında dağıtık üretimleri içeren doğru akım (DC) mikro şebekeleri tercih edilmektedir. Küçük ölçekli DC mikro şebekeler, yenilenebilir kaynaklardan yük tarafına anında sorunsuz güç akışı sağlamayı amaçlarlar. Kaynak olarak güneş ışınımı, sıcaklık ve rüzgâr hızı vb. değişkenlere sahip olan yenilenebilir kaynakların süreksiz doğası nedeniyle, maksimum güç elde etme sorunu ortaya çıkmaktadır. Bu sorunun çözümüne yönelik olarak, dağıtık enerji üretim sistemlerinin uygun bir şekilde kullanımı hedeflenmektedir.Bu tez çalışmasında, bir eğitim ve araştırma laboratuvarı için bağımsız bir hibrit güç sisteminin kurulduğu bir mikro şebekenin tasarımı, modellenmesi, uygulanması ve işletilmesi anlatılmıştır. Tanımlanmış yük profillerini karşılamak ve istenen güç seviyesini sürdürmek için güç dönüştürücülerinin tasarımı, çalışması ve kontrolü, mikro şebekeleri gerçekleştirmenin dikkate değer bir parçasıdır. DC mikro şebekelerinin dayanıklılığını artırmak ve kesintisiz güç sağlamak için yedek üniteler olarak batarya depolama sistemleri kullanılır. Batarya depolama sistemlerinin temel görevi; yük gücü talebi, sağlanan güçten daha yüksek olduğunda güç eksikliğini telafi etmek veya yük talebinin çekilen güçten daha az olması durumunda fazla gücü depolamaktır. Başka bir deyişle, Batarya depolama sistemleri, gücü boşaltarak ve depolayarak sistemin esnekliğini artırmaya ve ana DC bara voltajını kabul edilebilir sınırlar içinde tutmaya yardımcı olmaktadır. Sağlam bir DC mikro şebeke yapısı için sunulan kontrol algoritması, yenilenebilir enerji kaynakları, bataryalar ve yükler arasında bir enerji yönetim sistemi içerir. Genel sistemin modellemesi MATLAB/Simulink ortamında geliştirilmiştir. Ek olarak, simüle edilmiş sistemi daha fazla test etmek için vaka çalışmaları örneklenmiştir. Bu kapsamda iki farklı enerji yönetim sistemi durumu ile etkin ve esnek çalışmayı sağlamak için belirli yük profilleri sadece beslenmekle kalmamış, aynı zamanda güç akışı da yönetilmiş ve analiz edilmiştir. Bir laboratuvar kursu sırasında sistemi çeşitli giriş ve çıkış koşulları altında doğrulamak için gerçek zamanlı çalışma da sağlanmıştır.Belirtildiği gibi, sistemin ana taşıyıcısı olarak güç elektroniği dönüştürücülerinin uygun kontrolü esastır. Ayrıca, DC mikro şebeke uygulamalarının artışı, geleneksel şebekenin entegre edilmesiyle ilgili olası sorunlara meydan okumaktadır. İstikrar, güvenilirlik, verimlilik konularında ortaya çıkan olası sorunlar ve bunlarla başa çıkma yolları her geçen gün gelişmektedir. Yenilikçi yöntemlerin hayata geçirilmesi kaçınılmazdır. Teknolojinin hızla geliştiği bu dönemde aksine hidrokarbon içerikli fosil kaynakların bir kısmı da tükenmektedir. Böylece olası problemler ve bunlarla baş etme yolları değişmekte ve yeni problem çözme teknikleri denenmektedir.Bu hedefe ulaşmak için, genel sistem için yapay zekâ tabanlı sensörsüz kontrol yaklaşımı benimsenmiştir. Çalışılan laboratuvar ölçekli DC mikro şebekeyi gerektiği gibi sisteme aldıktan sonra, güç elektroniği dönüştürücülerinde verimli kontrol sorunlarına odaklandık. Bu bağlamda, uygulanan sensör sayısını azaltmak, güç dönüştürücülerini verimliliği düşürmeden kontrol etmek ve mevcut regresyon problemini çözmek için yapay zekâ tabanlı bir yöntem uygulanmaktadır. Bu tezde, yapay zekânın bir alt kümesi olarak yapay sinir ağları ve derin sinir ağları kullanılmıştır. Kontrol katmanındaki sensör sayısının azaltılması, sensör verilerinin arızalanma olasılığı ortadan kaldırıldığı için sistemi daha güvenilir hale getirmektedir. Önerilen sistemin etkinliğini doğrulamak için yapay sinir ağı simülasyonlarının aşamaları MATLAB/Simulink ortamında gerçekleştirilmiştir ve ayrıca Keras 2.3.1 TensorFlow 2.4.0 ile Python-3.6 kullanılarak derin sinir ağı yapısı tanımlanmıştır. Önerilen kontrol yöntemlerinin doğrulanmasının ardından, DC mikro şebeke sisteminin deneysel kurulumu yardımıyla eğitim aşamaları ayrıntılı bir şekilde sunulmaktadır. Elde edilen sonuçlardan, yapay zekâ tabanlı yaklaşımların çok küçük hata değerlerine ulaştığı, sistem dinamiklerini başarılı bir şekilde yakaladığı, ayarlanabilir hiper parametreler ile esnek bir yapıya olanak sağladığı ve pratik olarak uygulama imkânı verdiği sonucuna varılmıştır. For the past twenty years, the world has been suffering from global warming and climate crisis. Although technology develops rapidly such as burning fossil fuels to generate energy, existing resources fade conversely as well as lots of greenhouse gases are released into the atmosphere. On the other hand, developing countries e.g., Turkey is among the countries largely dependent on energy imports. This dependency has increased interest in new and alternative energy sources. Thus, the concept of renewable energy sources (RESs) has gained quite good importance. As a result of that, the industry of RESs and its application areas have developed and received much attention over the last two decades. The development of renewable-based distributed generation (DG) systems such as solar, wind, and biomass, etc., has become more prevalent year by year. To enable more wide-scale exploitation of RESs in microgrids, DGs have gained prominence recently. Thereby, direct current (DC) microgrids including DGs are preferred in the field of renewable energy. Small scaled DC microgrids aim to provide smooth power flow from renewables to the load side instantaneously. Due to the intermittent nature of renewables which have variances of solar irradiance, temperature, and wind speed, etc., as a source, the problem of maximum power attaining arises. The solution to this problem aims to make optimal utilization and operation of distributed energy generation systems. To solve this problem, it is aimed to utilize distributed energy generation systems in an optimal way.In this thesis study, the design, modeling, implementation, and operation of a microgrid have been described, in which a standalone hybrid power system has been installed for an education and research laboratory. To satisfy defined load profiles and sustain the desired power level, the design, operation, and control of power converters are a remarkable part of performing microgrids as well. To ascend the resilience of DC microgrids, battery storage systems (BSSs) are also used as backup units for supplying uninterrupted power. The main task of BSSs is to compensate for the lack of power when the load is higher than supplied power or store the surplus of power in case that the load demand is less than the extracted power. In other words, by draining and storing the power, BSSs help to increase the flexibility of the system and keep the main DC bus voltage within acceptable bounds. For a robust DC microgrid structure, the presented control algorithm includes an energy management system (EMS) between renewables, batteries, and loads. The modeling of the general system has been developed in the MATLAB/Simulink environment. Additionally, case studies have been exemplified to further demonstrate the simulated system. Within this scope, certain load profiles not only have been fed but also power flow has been managed and analyzed to ensure effective and flexible operation with two different EMS cases. The real-time operation has been also provided to validate the system under various input and output conditions during a lab course.As mentioned, proper control of power electronics converters as the main carrier of the system is essential. Besides, the rise of DC microgrid applications challenges possible issues upon integrating the conventional grid. Emerging possible issues in stability, reliability, efficiency, and the ways of dealing with them have been developing day by day. It is inevitable that innovative methods will be put into practice. In this period, when technology is developing rapidly, some of the fossil resources containing hydrocarbons, on the contrary, are depleted. Thus, possible problems and the ways of handling them are changing and new problem-solving techniques are being tried.To achieve this goal, an artificial intelligence (AI)-based sensorless control approach is adopted for the general system. After operating the studied lab-scale DC microgrid as required, we have concentrated efficient control issues in power electronic converters. In this context, the AI-based method is applied to solve an existing regression problem for reducing the number of implemented sensors and control power converters without decreasing efficiency. In this thesis, artificial neural networks (ANNs) and deep neural networks (DNNs) as a subset of AI are exploited. Diminishing the number of sensors in the control layer makes the system more reliable, since the failure possibility of sensor data is eliminated. To validate the effectiveness of the proposed system, phases of ANNs’ simulations are performed in the MATLAB/Simulink environment and also DNN structure is defined using Python-3.6 with Keras 2.3.1 TensorFlow 2.4.0. Upon validating the proposed control methods, the training phases are presented elaborately with the help of the experimental setup of the DC microgrid system. It can be extracted by the obtained results that the AI-based approaches reach very small error values, capture the system dynamics successfully, enable a flexible structure with tunable hyper-parameters, and allow the possibility to apply practically.