Kurak kentsel ortamlarda sürdürülebilir mikro şebeke optimizasyonu için uyarlanabilir takviye öğrenmesi çerçevesi

Çöl Şehrinde Işıkları Açık Tutmak

Yaz günlerinin düzenli olarak 40°C’nin üzerine çıktığı, klimaların durmaksızın çalıştığı ve enerji hatlarının takip etmekte zorlandığı modern bir şehri yönetmeyi hayal edin. Riyad, Suudi Arabistan gibi yerlerde günlük hayat budur. Bu makale, bilgisayarların karmaşık video oyunlarını oynayarak öğrendiği yöntemlerden esinlenen yeni bir akıllı kontrol sisteminin; güneş panelleri, rüzgar türbinleri, piller, dizel jeneratörler ve ana şebekeyi nasıl dengede tutarak böyle bir şehri daha düşük maliyetle ve daha az kirlilikle besleyebileceğini inceliyor.

Neden Küçük Enerji Ağları Önemli

Uzaklardaki büyük enerji santrallerine yalnızca güvenmek yerine birçok şehir farklı enerji kaynaklarını birleştiren ve komşularla güç paylaşımına izin veren "mikroşebekelere" yöneliyor. Sıcak, kuru bölgelerde bu özellikle önem kazanıyor: soğutma talebi hava koşullarıyla birlikte hızla artıp azalıyor, güneş enerjisi gündüz saatlerinde kesintili geliyor ve rüzgar zayıf veya öngörülemez olabiliyor. Geleneksel kontrol sistemleri sabit kurallara veya programlara dayanmaya eğilimli; ani değişikliklere—örneğin klima kullanımında ani bir sıçrama ya da güneşi engelleyen bir toz fırtınası—iyi tepki veremiyorlar. Sonuç, atılan temiz enerji, daha fazla dizel yakıt tüketimi ve yüksek faturalar oluyor.

Güç Sistemi İçin Öğrenen Bir Beyin

Araştırmacılar Riyad’daki tipik binaları ve bölgeleri temsil eden birbirine bağlı beş mikroşebekenin ayrıntılı bir bilgisayar modelini kurdular—büyük ve küçük evler, karma kullanımlı bloklar ve ticari alanlar. Her mikroşebeke kendi güneş panelleri, küçük rüzgar türbinleri, dizel yedek ve batarya depolama karışımına ve daha geniş elektrik şebekesine bir bağa sahipti. Bina-enerji yazılımı (EnergyPlus) kullanarak bir yıl boyunca saatlik veriler ürettiler: insanların ne kadar elektrik kullandığı, sıcaklığın ne olduğu, güneşin ne kadar parlak olduğu ve rüzgarın ne kadar estiği. Bunun üstüne bir takviye öğrenmesi "ajanı" eklediler—sistemin durumunu (talep, batarya dolumu, mevcut güneş ve rüzgar, jeneratör durumu) gözlemleyen ve bir sonraki adımda ne yapılacağına karar veren bir yazılım beyni: pilleri şarj veya deşarj etmek, dizel jeneratörleri açıp kapatmak, güç ithal veya ihraç etmek ve mikroşebekeler arasında enerji paylaşmak gibi.

Sistem Nasıl Daha İyi Seçimler Öğreniyor

Takviye öğrenmesi deneme yanılma yoluyla çalışır. Simülasyonda ajan saat saat farklı kontrol eylemlerini dener ve olanlara dayanarak ödül veya ceza alır. Ödül üç basit fikri birleştirir: maliyetleri düşük tutmak, ışıkları açık tutmak ve yenilenebilir enerjiyi israf etmemek veya görmezden gelmemek. Kararları pahalı dizel kullanımı, güç kesintileri veya kullanılmayan güneş enerjisine yol açarsa ajana ceza verilir. Talebi daha fazla güneş ve rüzgarla, daha az emisyon ve istikrarlı işletmeyle karşılamayı başarırsa ödüllendirilir. On binlerce eğitim turu boyunca ajan bu hedefleri dengede tutan stratejileri kademeli olarak keşfeder. Eğitildikten sonra gerçek zamanda kararları sadece birkaç binde bir saniyede verebilir.

Çöl Karşılık Verdiğinde Ne Oluyor

Bu yaklaşımın sert bir iklimde gerçekten yardımcı olup olmayacağını görmek için ekip gerçekçi ve zorlayıcı koşullar altında test etti. Model Riyad’ın mevsimsel dalgalanmalarını yeniden üretti; yazın yoğun soğutma, kışın daha ılıman yükler görüldü. Öğrenmeye dayalı denetleyici saatlik ve yıllık enerji kullanımını doğru şekilde izledi (varyasyonun yaklaşık %90–94’ünü açıkladı), bu da zirveleri öngörmek için hayati önem taşıyor. Tipik bir gün boyunca enerji kayıplarını azalttı ve arzı güneş ve rüzgara daha çok kaydırdı, boşlukları düzeltmek için pilleri kullandı. Araştırmacılar ani güneş kaybına yol açan bir toz fırtınası veya talebi keskin şekilde yükselten bir sıcak hava dalgası gibi olayları simüle ettiklerinde sistem pilleri deşarj ederek, dizel kullanımı koordine ederek ve fazla enerjiyi mikroşebekeler arasında paylaşarak—kullanıcıları kesintiye uğratmadan—yanıt verdi.

Daha Temiz Hava ve Düşük Faturalar

Güç akışını sürdürmenin ötesinde çalışma, günlük işletmeye odaklanan yaşam döngüsü değerlendirmesiyle çevresel etkiyi ele aldı. Geleneksel, kural tabanlı bir düzenlemeyle karşılaştırıldığında uyarlanabilir sistem karbondioksit emisyonlarını yaklaşık %14 oranında azalttı, asit oluşumuna neden olan kirleticileri yaklaşık %14 azalttı ve toplam enerji kullanımını yaklaşık %10 düşürdü. Bu kazanımların çoğu dizel jeneratörlerin daha az çalıştırılmasından ve yerel yenilenebilir enerji ve depolamanın daha iyi kullanılmasından kaynaklanıyor. Basitçe söylemek gerekirse, mikroşebekeye bir öğrenen beyin vermek, her bir birim temiz enerjiden daha fazla yararlı iş çıkarmasını, yakıta daha az bağımlı olmasını ve çöl iklimi işini bozsa bile güvenilir kalmasını sağladı.

Atıf: Mohamed, M.A.S., Almazam, K., Alzahrani, M. et al. Adaptive reinforcement learning framework for sustainable microgrid optimization in arid urban environments. Sci Rep 16, 7356 (2026). https://doi.org/10.1038/s41598-026-37752-z

Anahtar kelimeler: mikroşebekeler, takviye öğrenmesi, yenilenebilir enerji, enerji yönetimi, kurak şehirler