Yenilenebilir ağırlıklı dağıtım şebekeleri için derin öğrenme destekli hiyerarşik optimizasyonda çok ajanlı koordinasyon ve belirsizliğe uyum

Daha akıllı yerel şebekeler neden önemli

Çatı güneş panelleri, rüzgâr türbinleri ve pillerin daha fazla ev, çiftlik ve küçük işletme tarafından kurulmasıyla yerel elektrik şebekeleri daha temiz hale geliyor—ancak yönetimleri de zorlaşıyor. Güneş ve rüzgâr dakikalar içinde değişiyor ve kırsal bölgelerde elektrik talebi hava, mevsimler ve insan davranışıyla dalgalanabiliyor. Bu makale, derin öğrenme ve çok‑ajanlı karar alma ile çalışan yeni bir "akıllı" kontrol sisteminin, koşullar yüksek belirsizlikte olsa bile bu yenilenebilir ağırlıklı yerel şebekeleri güvenilir, uygun maliyetli ve düşük karbonlu tutabileceğini inceliyor.

Güneş, rüzgâr ve talebi aynı anda yönetme zorluğu

Geleneksel şebeke planlaması mühendislerin ne kadar enerjiye ihtiyaç duyulacağını ve jeneratörlerden ne kadar enerji sağlanacağını kabaca bildiğini varsayar. Bu varsayım, bir ilçe şebekesi çatı güneşi, küçük rüzgâr çiftlikleri, piller ve esnek çiftlik ya da hane yüklerine güçlü şekilde dayandığında geçerliliğini yitirir. Bu cihazların üretimi hızla artıp azalabilir ve kırsal alanlarda şebeke düzeni düzensiz, izleme ise seyrektir. Mevcut araçlar ya bu belirsizliği görmezden gelir ya da değişen hava ve talep desenleriyle başa çıkamayan sabit "ya‑olursa" senaryolarına dayanır. Sonuç olarak işletmeciler kesinti, voltaj sorunları, daha yüksek faturalar veya yenilenebilir kaynakları kısıtlayarak temiz enerjiyi israf etme riskiyle karşı karşıya kalır.

Şebekenin kendi belirsizliğini anlamasını öğretmek

Yazarlar, şebekenin belirsizliği yalnızca katlanmak yerine tanımasını ve uyum sağlamasını öğreten Deep‑DRO adını verdikleri bir çerçeve öneriyor. Önce, gelişmiş derin öğrenme modelleri büyük miktarda geçmiş hava durumu, güneş üretimi, rüzgâr hızı ve talep verisini işler. Bir grafik tabanlı ağ şebekedeki farklı konumların birbirini nasıl etkilediğini yakalarken, bir Transformer modeli günlük ve mevsimsel döngüler gibi zaman içindeki desenleri izler. Birlikte, yalnızca geleceğe dair tek bir "en iyi tahmin" yapmakla kalmayıp bu tahminlerin ne kadar yanlış olabileceğini ve farklı belirsizliklerin mekân ve zaman içinde nasıl bağlantılı olduğunu da tahmin ederler.

Birlikte çalışan çok sayıda karar verici

Bu tahmin katmanının üzerine, yazarlar gerçek bir dağıtım sisteminin yapısını taklit eden bir karar verme yazılımı ajanları hiyerarşisi kuruyor. Bir ajan tüm ilçeyi gözetler, diğerleri bireysel besleyicileri yönetir ve yerel ajanlar güneş dizileri, piller ve esnek yükler gibi dağıtılmış enerji kaynakları kümelerini temsil eder. Çok ajanlı pekiştirmeli öğrenme kullanarak bu ajanlar simüle edilmiş bir ortamda deneme‑yanılma yoluyla öğrenir. Pil şarjını ayarlar, mikroşebekeler arasındaki güç değişimlerini yönetir ve talep yanıtı uygular; maliyetleri düşürdüklerinde, voltajı güvenli sınırlar içinde tuttuklarında ve sürprizlere karşı yeterli rezervi koruduklarında ödül alırlar. Federated learning (birleştirilmiş öğrenme) şeması, ajanların tüm ham verileri merkezileştirmeden öğrendiklerini paylaşmalarına izin vererek gerçek dünya iletişim sınırlamalarını yansıtır.

Kötü günlere karşı "tam kararında" koruma inşa etmek

Çerçevenin üçüncü bileşeni, temkinli bir denetçi gibi davranan dağıtımsal sağlam optimizasyon (DRO) katmanıdır. Tek bir olasılık tahminine güvenmek yerine, derin öğrenme modelinin öngördüğü etrafında makul olası geleceklerin tüm bir ailesini göz önüne alır. Kritik olarak, model daha öngörülemez davranış tespit ettiğinde bu ailenin boyutu genişler ve koşullar istikrarlı olduğunda küçülür. Bu, sistemin fırtınalı veya yüksek değişkenlikli dönemlerde otomatik olarak daha tedbirli, görünüm sakin olduğunda ise daha maliyet‑verimli hale gelmesi anlamına gelir. DRO katmanı, öğrenen ajanlardan gelen aday eylemleri değerlendirir ve en kötü‑durum ama hâlâ gerçekçi şartlar altında kırılgan görünen stratejileri cezalandırır.

Simülasyonların ortaya koydukları

Fikri test etmek için araştırmacılar, her biri kendi güneş, rüzgâr, biyokütle ve pil karışımına sahip üç birbirine bağlı mikroşebekeden oluşan, karışık kırsal yükleri besleyen bir ağı simüle ediyor. Basit deterministik bir programdan klasik risk‑farkındalıklı optimizasyona ve çeşitli öğrenme tabanlı kontrolörlere kadar altı kontrol stratejisini karşılaştırıyorlar. Yüksek çözünürlüklü bir yıllık veri üzerinden tam entegre Deep‑DRO sistemi işletme maliyetlerini yaklaşık dörtte bir oranında azaltıyor, güvenilirlik indeksini 0.76’dan 0.91’e yükseltiyor ve en basit kıyaslamaya göre karbon emisyonlarını neredeyse %30 düşürüyor. Temel belirsizlik yapay olarak artırıldığında bile sistem kararlı kalıyor ve pil şarjı ile güç değişimlerini daha temiz, daha ucuz dönemlerden yararlanacak şekilde zamanlamayı öğrenirken riskli dar marjlı işletimden kaçınıyor.

Dayanıklı temiz enerjiye daha akıllı bir yol

Uzman olmayanlar için ana mesaj, yerel şebekeleri temizlemenin artık sadece daha fazla güneş paneli veya pil eklemekle ilgili olmadığı—kontrol sistemini belirsizliği öngörebilecek ve ona uyum sağlayabilecek kadar akıllı hale getirmenin önem kazandığıdır. Derin öğrenme, çok sayıda ajanın kooperatif karar alma süreci ve kötü sonuçlara karşı yerleşik bir ihtiyat duygusunun birleştirilmesiyle önerilen Deep‑DRO çerçevesi, ilçelerin ve kırsal bölgelerin hem ekonomik hem de dayanıklı yüksek‑yenilenebilir ağları işletmelerine nasıl olanak sağlayabileceğini gösteriyor. Pratikte bu yaklaşım, elektrik arzımız daha hava bağımlı ve merkezsiz hale gelirken bile ışıkları açık tutmaya, faturaları düşürmeye ve emisyonları azaltmaya yardımcı olabilir.

Atıf: Zheng, Y., Li, H., Wang, S. et al. Multi-agent coordination and uncertainty adaptation in deep learning–assisted hierarchical optimization for renewable-dominated distribution networks. Sci Rep 16, 5176 (2026). https://doi.org/10.1038/s41598-026-35945-0

Anahtar kelimeler: yenilenebilir enerji şebekeleri, çok ajanlı pekiştirmeli öğrenme, dağıtımsal sağlam optimizasyon, akıllı mikro şebekeler, derin öğrenme tahminleri