Yıldızbalığı optimizasyon algoritmasıyla yenilenebilir enerji kaynaklarının optimizasyonu yoluyla akıllı evler için yenilikçi bulanık pekiştirmeli öğrenme tabanlı enerji yönetimi

Değişen Bir Enerji Dünyası İçin Daha Akıllı Evler

Daha fazla cihazın prizlere takılması ve elektrik şebekesinin daha fazla güneş paneli ve rüzgâr türbini eklemesiyle birlikte, ışıkları ucuz ve temiz bir şekilde açık tutmak giderek zorlaşıyor. Bu makale, çatı üzeri güneş, küçük rüzgâr türbini, ev pilleri ve elektrikli araçlardan gelen elektriği dengelerken gerektiğinde şebekeye de bağlı kalabilen akıllı evler için yeni bir yaklaşımı inceliyor. Bir evin enerji “beynini” deneyimden öğrenmeye ve güneş, rüzgâr ve fiyatlardaki belirsizlikle başa çıkmaya öğretmek yoluyla yazarlar, hanehalklarının faturalarını düşürebileceğini, yenilenebilir enerjiyi çok daha fazla kullanabileceğini ve konfordan ödün vermeden kirliliği azaltabileceğini gösteriyor.

Bir Akıllı Ev Enerjiyi Nasıl Düşünebilir?

Çalışma, çatıda güneş panelleri, küçük bir rüzgâr türbini, evde bir pil ve hem şarj olabilen hem de zaman zaman enerji geri verebilen bir elektrikli araçla bağlı modern bir evi hayal ediyor. Ev ayrıca saatte değişen fiyatlarla elektrik alıp satan daha geniş şebekeye bağlı. Bir şeyi açıldığında sadece şebeke gücü kullanmak yerine önerilen yönetim sistemi her saat sürekli olarak karar veriyor: enerjiyi şebekeden mi çekmeli, fazla güneş veya rüzgâr enerjisini pil ya da araca mı depolamalı, yoksa artık enerjiyi şebekeye mi satmalı? Temel hedefler basit: sakinleri rahat ettirmek, gün boyunca toplam maliyeti en aza indirmek ve yerel yenilenebilir kaynaklardan mümkün olduğunca fazla fayda sağlamak.

Yumuşak ama Zeki Bir Kontrol Stratejisi

Sistemin özünde iki fikri harmanlayan bir karar motoru bulunuyor: bulanık mantık ve pekiştirmeli öğrenme. Bulanık mantık, makinelerin “yüksek talep”, “orta düzeyde güneş” veya “düşük pil seviyesi” gibi kesin olmayan kavramları keskin açık/kapalı kurallar yerine işleyebilmesini sağlar. Buna karşılık pekiştirmeli öğrenme, kontrolörün maliyetleri düşürdüğünde ve yenilenebilir kullanımı artırdığında ödüllendirildiği; enerji israfı veya pil stresinde ise cezalandırıldığı deneme‑yanılma yaklaşımıdır. Yazarlar dört ana girdiye—güneş gücü, rüzgâr gücü, ev talebi ve elektrik fiyatı—ve güneş, rüzgâr, ev pili ve elektrikli araç için anahtar gibi davranan dört çıktıya sahip bir kontrolör oluşturuyor. Bu çıktılar her kaynağın kapalı mı, evi besliyor mu yoksa depolamayı şarj/ deşarj mı ettiği kararını veriyor.

Evi Öğrenmeye Nasıl Öğretiyorlar

Bu kontrolörü eğitmek kolay değil; çünkü güneşlenme, rüzgâr ve insan davranışı karmaşık şekilde dalgalanır. Bunu ele almak için yazarlar istatistiksel modeller kullanarak birçok olası “gün” üretiyor: güneş yoğunluğu ve hane talebi beta dağılımlarını takip ederken, rüzgâr hızı ve elektrikli araç kullanımı desenleri normal ve ilişkili dağılımları izliyor. Bu senaryolar boyunca kontrolör, bulanık kuralların birçok kombinasyonunu keşfeden ve maliyeti en aza indirip yenilenebilir payı en yükseğe çıkaranları kademeli olarak bulan bir doğadan ilham alınmış arama yöntemi olan yıldızbalığı optimizasyon algoritmasıyla ayarlanıyor. Bu eğitim aşamasından sonra kural seti sabitleniyor ve sistem canlı kararları çok hızlı —her adımda yaklaşık binde bir saniye mertebesinde— verebiliyor; ev enerji merkezinde gerçek zamanlı kullanım için yeterince hızlı.

Simüle Edilen Ev Ne Başarıyor

On farklı belirsizlik senaryosuyla bir tam gün için ayrıntılı bilgisayar simülasyonları kullanarak araştırmacılar akıllı kontrolörlerini daha geleneksel yaklaşımlarla, daha basit bulanık sistemler ve dizel yedekleme veya daha az esnek zamanlama gibi yöntemlerle karşılaştırıyor. Üç yaygın fiyatlandırma türü—sabit tarifeler, gün içinde dalgalanan gerçek zamanlı fiyatlar ve önceden belirlenen gün‑öncesi fiyatlar— altında yeni sistem günlük elektrik maliyetlerini sırasıyla %35,2, %23,8 ve %26,43 oranlarında azaltıyor. Aynı zamanda, pil ve araç şarj seviyelerini güvenli sınırlar içinde tutarken, ana saatlerde güneş ve rüzgârla karşılanan talep payını yaklaşık %70’e kadar çıkarıyor. 20 yıllık bir dönemde tasarım, rekabetçi bir elektrik maliyetine ulaşıyor ve benzer boyuttaki dizel tabanlı seçeneklerle karşılaştırıldığında işletme giderlerini ve karbon emisyonlarını yaklaşık %12–19 oranında azaltıyor.

Günlük Hayat İçin Neden Önemli

Uzman olmayan biri için temel mesaj şudur: ev güneşi, küçük ölçekli rüzgâr, piller ve elektrikli arabaları akıllı, öğrenme tabanlı bir kontrolörle birleştirmek bir haneyi hem daha ucuz çalıştırılabilir hem de çevre için daha dost yapabilir. İnsanları cihaz kullanımını manuel olarak zamanlamaya veya arabalarını ne zaman şarj edeceklerini tahmin etmeye zorlamak yerine önerilen sistem, değişen fiyatlara, hava koşullarına ve alışkanlıklara uyum sağlamak için tüm kaynakları otomatik olarak dengeliyor. Çalışma simülasyonlara dayanıyor ve hâlâ gerçek dünya testlerine ihtiyaç duysa da, bu yaklaşım evlerin —hatta klinikler veya küçük işletmelerin— mini enerji santralleri gibi davranarak faturaları ve emisyonları düşürürken gün boyunca konforlu güç sağlaması için pratik bir yol öneriyor.

Atıf: Hamedani, M.M.K., Jahangiri, A., Mehri, R. et al. Innovative fuzzy reinforcement learning based energy management for smart homes through optimization of renewable energy resources with starfish optimization algorithm. Sci Rep 16, 11131 (2026). https://doi.org/10.1038/s41598-026-40247-6

Anahtar kelimeler: akıllı ev enerji yönetimi, yenilenebilir enerji entegrasyonu, pil ve elektrikli araç depolama, bulanık pekiştirmeli öğrenme kontrolü, dinamik elektrik fiyatlandırması