Akıllı şebeke inverter kontrolü: optimal harmonik azaltımı için RNN, model öngörüsel ve adaptif kayma modu denetleyicisinin entegrasyonu

Yenilenebilirlerden daha temiz güç neden önemli

Daha fazla konut, araç ve sanayi tesisi güneş panellerinden, rüzgar çiftliklerinden ve batarya sistemlerinden elektrik çektikçe, enerji şebekesi hızlı değişen ve bazen “dağınık” elektrik akımlarını yönetmek zorunda kalıyor. Bu dalgalanmalar harmonikler adı verilen elektriksel dalgalanmalara yol açarak enerji kaybına, ekipmanın aşırı ısınmasına ve cihazların ömrünün kısalmasına neden olabilir. Bu makale, yenilenebilir kaynakları şebekeye bağlayan elektronik dönüştürücüleri kontrol etmenin yeni bir yolunu sunuyor; zorlu ve öngörülemez koşullarda bile elektriği temiz ve kararlı tutuyor.

Modern şebekeler DC’yi nasıl düzgün AC’ye çevirir

Çoğu yenilenebilir kaynak ve depolama cihazı doğru akım (DC) üretir, oysa evlerimiz ve şebeke alternatif akım (AC) kullanır. Şebekeye bağlı gerilim kaynaklı inverterler bu iki dünya arasında çevirmen görevi görür. Hızla elektronik bileşenleri anahtarlayıp kapatarak DC’yi AC’ye şekillendirirler. Anahtarlamayı yumuşatmak için mühendisler bobinler ve kapasitörlerden oluşan filtreler ekler. Bu filtreler etkili olmakla birlikte rezonansa girebilir ve değişen şebeke koşullarıyla olumsuz etkileşimlere girerek istenmeyen harmoniklere, bozulmuş dalga formlarına ve bilinmeyen veya değişken yüklere karşı hassasiyete yol açabilir. Daha önce iyi çalışan geleneksel kontrol yöntemleri, şebeke empedansı değiştiğinde, yükler dengesiz olduğunda veya gerilim kendisi bozuk olduğunda artık zorlanır.

Öngörü, öğrenme ve sağlamlığın harmanlanması

Yazarlar, üç güçlü fikri birleştiren hibrit bir kontrol sistemi öneriyor: öngörü, makine öğrenimi ve sağlam bir güvenlik katmanı. Öncelikle, çevrimdışı olarak bir model öngörücü denetleyici (MPC) birçok işletim senaryosu altında en iyi anahtarlama kararlarını hesaplamak için kullanılır. Bu öngörücü yöntem doğru olsa da, hızlı inverterler için gerçek zamanlı çalıştırılmayacak kadar hesaplama yoğundur. İkinci olarak, bu optimal kararlar tekrarlayan sinir ağına (RNN) öğretmek için kullanılır; RNN geçmiş davranışı hatırlayabilen bir yapay zeka biçimidir. Eğitildikten sonra RNN, MPC’nin kararlarını çok daha az hesaplamayla taklit edebilir ve gerçek zamanlı kullanım için uygundur. Üçüncü olarak, bu öğrenilmiş denetleyicinin üzerine adaptif “engelleyici” süper-büküm kayma modu denetleyicisi eklenir — aslında RNN’in daha önce görmediği koşullar ortaya çıktığında hataları hızla düzelten sağlam bir denetleyici katmanı.

Hibrit denetleyici nasıl dengede kalır

İşletimde, sistem iki katmanda çalışır. Çevrimdışı olarak inverterin ve filtresinin ayrıntılı matematiksel modeli birçok şebeke ve yük koşulu altında cihazı simüle etmek için kullanılır. MPC, RNN için eğitim verilerini oluşturan optimal anahtarlama yörüngelerini üretir. Sağlam kayma modu denetleyicisinin kazançları, gri kurtların avlanma davranışından esinlenen bir optimizasyon yaklaşımıyla ayarlanır; bu yöntem zaman içinde takip hatasını minimize ederken aşırı kontrol çabasından kaçınan parametreleri arar. Çevrimiçi gerçek çalışmada RNN, gerilim ve akım referanslarını yakından takip eden anahtarlama desenlerini hızla seçer. Paralel olarak adaptif kayma denetleyicisi istenen ve gerçek akımlar arasındaki farkı izler ve sistem kritik sınırlara yaklaştığında etkisini bir bariyer fonksiyonu aracılığıyla artırır veya gevşetir. Lyapunov teorisi kullanılarak yapılan matematiksel bir kararlılık analizi, takip hatalarının sonlu zamanda sıfıra sürüklendiğini ve şebeke gürültülü veya model kusurlu olsa bile sınırlı kaldığını gösterir.

Denetleyicinin teste tabi tutulması

Araştırmacılar yaklaşımlarını hem ayrıntılı bilgisayar simülasyonlarında hem de endüstriyel bir mikrodenetleyici kullanılarak yapılan donanım içinde döngü deneylerinde doğruladılar. Üç kontrol stratejisini karşılaştırdılar: yalnız MPC, yalnız RNN ve adaptif kayma katmanlı tam hibrit yaklaşım. Basit dirençli yükler, diyot doğrultucular gibi doğrusal olmayan yükler, daha yüksek şebeke empedansına sahip zayıf şebeke işletimi, dengesiz faz yükleri ve enjekte edilmiş harmonik bozulma gibi çeşitli koşullar altında hibrit denetleyici tutarlı şekilde en temiz dalga formlarını üretti. Toplam harmonik bozulma yaklaşık %0,4–0,5 seviyelerine düştü; bu, yalnız MPC veya RNN’e göre çok daha düşüktü ve sistem daha küçük aşım ile daha hızlı kararlı duruma geçti. Aynı zamanda RNN, saf MPC’ye kıyasla hesaplama yükünü yaklaşık %80 azalttı ve bu şemanın yüksek hızlı kontrol için pratik olduğunu doğruladı.

Geleceğin akıllı şebekeleri için bunun anlamı

Uzman olmayan bir okuyucu için ana mesaj şudur: bu çalışma, öngörüyü, makine öğrenimini ve sağlam bir güvenlik katmanını birleştirmenin güç elektroniğini hem daha akıllı hem de daha güvenilir hale getirebileceğini gösteriyor. Önerilen denetleyici, yenilenebilirleri ve depolamayı şebekeye bağlayan inverterlerin şebeke zayıf olduğunda, yükler dengesiz olduğunda veya beklenmedik bozulmalar meydana geldiğinde bile çok temiz, düşük bozulmalı güç sunmasını sağlıyor. Bu, enerji verimliliğini artırır, ekipmanı korur ve büyük miktarda yenilenebilir üretimin entegrasyonunu kolaylaştırır. Yazarlar benzer hibrit stratejilerin güneş inverterleri, rüzgar sistemleri, elektrikli araç şarj cihazları ve diğer gelişmiş güç elektroniğine genişletilebileceğini, böylece geleceğin şebekesi daha temiz ve daha karmaşık hale geldikçe kararlı kalmasına yardımcı olabileceğini öneriyor.

Atıf: Zeb, O., Rehman, A., Sultan, N. et al. Smart grid inverter control: integrating RNN, model predictive, and adaptive sliding mode controller for optimal harmonic mitigation. Sci Rep 16, 13700 (2026). https://doi.org/10.1038/s41598-026-42010-3

Anahtar kelimeler: akıllı şebeke, güç inverteri kontrolü, harmonik azaltımı, sinir ağı kontrolü, kayma modu kontrolü