Batarya bozulması ve yenilenebilir belirsizliği dikkate alınarak derin pekiştirmeli öğrenme ile mikroşebeke enerji yönetiminin uyarlanabilir çok amaçlı optimizasyonu

Günlük Yaşam İçin Daha Akıllı Yerel Enerji

Daha fazla ev, kampüs ve işletme güneş panelleri ve bataryalar kurdukça, elektriği ne zaman satın alıp depolayacağımızı ya da kullanacağımızı yönetmek yüksek riskli bir denge oyunu haline geliyor. İyi yapıldığında faturaları ve kirliliği azaltır; kötü yapıldığında temiz enerjiyi boşa harcar ve pahalı bataryaların ömrünü tüketir. Bu çalışma, derin pekiştirmeli öğrenme adı verilen bir yapay zekâ türünün, hava tahmini yanlış olsa bile maliyetleri düşük tutmayı, daha fazla yenilenebilir enerji kullanmayı ve bataryayı erken yaşlanmadan korumayı günbegün öğrenerek güneş ve bataryalı bir mikroşebekenin “dijital işletmecisi” olarak nasıl hareket edebileceğini inceliyor.

Neden Küçük Enerji Ağları Önemli?

Mikroşebekeler, güneş panelleri, enerji depolama, kontrol edilebilir yükler ve ana şebekeye bağlanma imkânını bir araya getiren kompakt enerji sistemleridir. Bir kampüsü veya mahallesi besleyebilir ve ana şebeke sıkıntılı olduğunda kritik yüklerin çalışmaya devam etmesini sağlayabilirler. Ancak işletmeleri zordur: güneş ışığı ve talep dakikalar içinde değişir, elektrik fiyatları gün içinde değişkenlik gösterir ve her şarj‑deşarj döngüsü bataryayı yavaşça bozar. Geleneksel kontrol şemaları matematiksel optimizasyona ve doğru tahminlere dayanır; ancak koşullar beklentilerden sapınca veya sistem çok karmaşık hale gelince genellikle başarısız olur.

Deneyimle Eğitilen Bir Öğrenen Kontrolcü

Araştırmacılar, Batı Suudi Arabistan’da bir kampüs ölçeğindeki mikroşebekenin ayrıntılı bir dijital ikizini kurdular; bu sistem 300 kW güneş paneli, büyük bir lityum‑iyon batarya, esnek ve esnek olmayan yükler ile ana şebekeye çift yönlü bağlantıyı içeriyordu. Ardından bu sanal sistemi 15 dakikalık adımlarla çok sayıda simüle edilmiş yıl boyunca işletmek için gelişmiş bir Derin Q‑Ağı (Deep Q‑Network) olmak üzere bir derin pekiştirmeli öğrenme ajanı eğittiler. Ajan, batarya şarj düzeyini, kısa vadeli güneş ve talep tahminlerini, elektrik fiyatlarını ve sıcaklığı gözlemledi; bataryayı ne kadar hızlı şarj veya deşarj edeceği ve kaydırılabilir yükleri çalıştırıp çalıştırmayacağı gibi eylemler seçti. Her adımın ardından ajana üç hedefi harmanlayan bir ödül verildi: elektriğe daha az ödeme yapmak, batarya aşınmasını yavaşlatmak ve fosil yakıtlı şebeke gücüne daha az güvenmek.

Maliyet, Batarya Sağlığı ve Temiz Enerji Arasında Denge

Gerçek dünya ödünleşmelerini yansıtmak için ekip, fizik temelli bir batarya yaşlanma modelini doğrudan öğrenme sinyaline entegre etti. Ödül fonksiyonu hem kısa vadeli maliyetleri hem de uzun vadeli kapasite kaybını cezalandırdı ve bataryanın aşırı şarj veya aşırı deşarj gibi güvenlik sınırı ihlallerini sert şekilde caydırdı. Yaklaşık 10.000 simüle edilmiş günlük pratiğin sonunda ajan, insanların sıkça önerdiği—ancak kendisine açıkça öğretilmemiş—stratejileri keşfetti. Birkaç derin döngü yerine birçok orta derinlikli döngüyü tercih etmeyi, yaşlanmanın daha yavaş olduğu orta seviyede bir şarj durumunu korumayı ve güneşli saatlerden önce bataryada yeterli boş alan bırakarak gelecek güneş enerjisinin boşa gitmesini önlemeyi öğrendi.

Geleneksel Akıllı Bir Kontrolcüye Karşı Üstünlük

Yeni öğrenme tabanlı kontrolcü, endüstride yaygın olarak kullanılan ve iyi tahminlere erişim varsayan güçlü bir kıyas olan model öngörülü kontrol (MPC) ile kafa kafaya test edildi. Bir yıllık hava ve talep verisi üzerinde öğrenilmiş politika toplam işletme maliyetlerini yaklaşık yüzde 12 azalttı, batarya kapasite kaybını biraz üzerinde yüzde 8 oranında düşürdü ve yerel olarak üretilen güneş enerjisinin kullanımını yaklaşık yüzde 10 artırdı. Ayrıca şebekeden çekilen tepe gücü azalttı ve ilişkili karbon emisyonlarını neredeyse yüzde 14 oranında kesti. Belki de en çarpıcı olanı, eğitildikten sonra AI kontrolcüsünün kararları birkaç binde bir saniyede vermesiydi—bu, geleneksel yöntemin gerektirdiği birkaç saniyelik optimizasyondan çok daha hızlıdır ve ucuz saha donanımı için uygun hale getirir.

Hava Tahmini Yanıldığında Dayanıklılığın Sürdürülmesi

Gerçek mikroşebekeler bulutlu sürprizlerle ve kusurlu tahminlerle başa çıkmak zorundadır. Araştırmacılar her iki kontrolcüyü de giderek daha hatalı güneş tahminleri ile zorladılar. Tahmin hataları şiddetli düzeye yükseldiğinde, geleneksel kontrolcünün maliyetleri beşte birden fazla artarken, öğrenme tabanlı kontrolcünün maliyetleri onda birden az arttı. AI ajanı ayrıca güneş ışığındaki hızlı dalgalanmaları daha zarifçe yönetti; bataryayı güç akışlarını düzleştirmek için kullanarak zarar verici derin deşarjlara başvurmaktan kaçındı. Esnek yükleri güneş üretimi ve düşük fiyatlı saatlerle eşleştirerek şebekeye olan yükü daha da hafifletti.

Geleceğin Enerji Sistemleri İçin Anlamı

Günlük terimlerle, çalışma eğitilmiş bir AI’nın bugünün faturası, yarının batarya sağlığı ve her kilovatsaatin iklim etkisini önemseyen uyanık bir işletmeci gibi bir güneş‑ve‑batarya sistemini çalıştırabileceğini gösteriyor. Doğrudan veriden öğrenerek—mükemmel tahminlere ve basitleştirilmiş formüllere dayanmak yerine—kontrolcü daha ucuz, daha temiz enerji sağlarken pahalı bataryaların ömrünü uzatıyor. Çalışma Suudi Arabistan’daki bir kampüs mikroşebekesi için simülasyonda gerçekleştirilmiş olsa da aynı yaklaşım diğer sahalara uyarlanabilir ve mikroşebekeler ağlarına genişletilebilir; bu da daha dirençli, verimli ve sürdürülebilir yerel enerji sistemlerine yönelik umut verici bir yol sunuyor.

Atıf: Altimania, M.R.M., Basem, A., Saydullaev, B. et al. Adaptive multi-objective optimization of microgrid energy management using deep reinforcement learning considering battery degradation and renewable uncertainty. Sci Rep 16, 14296 (2026). https://doi.org/10.1038/s41598-026-44179-z

Anahtar kelimeler: mikroşebekeler, derin pekiştirmeli öğrenme, batarya sağlığı, yenilenebilir enerji, enerji yönetimi