Yapay zeka destekli kentsel elektrifikasyon sistemi

Kentsel elektrifikasyon, fosil yakıt kullanımını azaltarak yenilenebilir enerji kaynaklarının entegrasyonuyla enerji verimliliğini artırmayı ve sürdürülebilir şehirler oluşturmayı amaçlayan, yapay zeka destekli çözümlerle güçlendirilmiş modern bir enerji dönüşüm sürecidir. Bir grup araştırma ekibi, yapay zekayı kullanarak “kentsel elektrifikasyonu” sağlamak için önemli teknolojik adımlar geliştirmişlerdir. Bahsedilen kentsel elektrifikasyonun amacı, fosil yakıtların kullanımını azaltmak ve kentsel enerji sistemlerini dönüştürmek için binaya entegre güneş teknolojisi gibi yenilenebilir enerji kaynaklarını tanıtmaktır. Kentsel elektrifikasyon kavramı Kore Cumhuriyeti’nde yaygın olmasa da, ABD ve Avrupa ülkelerinde karbon nötrlüğüne erişmek ve sürdürülebilir kentsel çevreler oluşturmak için önemli bir teşvik olmaktadır.

Kentin elektrik talebi için enerji ihtiyacı fosil yakıtlar kullanılarak kolayca temin edilebilir. Ancak elektrifikasyon yapılmış şehirlerde fosil yakıtlar çevre açısından olumsuz koşullar oluşturduğundan yenilenebilir enerji kaynaklarına yönelim oldukça fazladır. Bu yönelim, hava değişiklikleri sebebiyle enerji ihtiyacında daha büyük değişikliklere yol açar. Sonuç olarak binalar arasındaki elektrik ihtiyacında uyumsuzluklar doğar ve enerji şebekesinin istikrarlı çalışması zorlaşır. Özellikle ani soğuk hava dalgaları, aşırı sıcak hava dalgaları gibi Düşük Olasılıklı Yüksek Etkili Olaylar (LPHI) enerji talebinde ani artışlara neden olabilir ve enerji üretimini sınırlandırabilir. Bu olaylar, kentin enerji şebekesinin devamlılığı için bir tehdit oluşturarak büyük çapta elektrik kesintilerine sebebiyet verme potansiyeline sahiptir.¹

Araştırma ekibi, enerji şebekesi istikrarı sorununu ele alan yönetim algoritmasını yapay zekadan yardım alarak geliştirmiş ve bu algoritmayı bir sisteme entegre etmiştir. Geliştirilen sistemin gösterimi, geleneksel yöntemlerle kıyaslandığında elektrik maliyetlerinde %18’lik bir düşüş sağlanmıştır.

Ekip öncelikli olarak yapay zeka eşliğinde bina türüne göre enerji tüketim ve yenilenebilir enerji üretim desenlerini analiz etmiştir. Ek olarak hava durumu, insan davranış desenleri, yenilenebilir enerji tesislerinin ölçeği ve işletim durumu gibi karmaşık değişkenlerin enerji şebekesini nasıl etkileyeceğini ortaya çıkarmıştır.

LPHI’nin yılda ortalama yalnızca 1,7 gün (yaklaşık %0,5 olasılık ile) meydana gelmesine rağmen enerji şebekesinin genel istikrarı ve işletim maliyetleri üzerinde etkin bir rol oynadığı keşfedilmiştir.

Yapılan çalışmada analiz edilen içerik, öncelikle bir algoritmaya ardından bir sisteme dönüştürülmüştür. Geliştirilen algoritmanın amacı, binalar arasındaki enerji paylaşımını optimize etmek ve pik talep ile pik enerji üretimini etkili bir biçimde yönetmektir. Sistemin LPHI’ye yönelik tasarlanmış olması günlük enerji dengesini korumanın dışında, aşırı durumlarda bile enerji şebekesinin istikrarını sağlamaktadır.

Geliştirilen sistem, asıl dünya ortamında yer alan ve kentsel elektrifikasyon yapısı içeren bir topluluk ölçeğine uygulandığında, kendi kendine enerji yeterlilik ve tüketim oranları sırasıyla %38 ve %58’dir. Bu oranlar, sisteme dahil olmayan binaların yine sırasıyla %20 ve %30’luk oranı ile kıyaslandığında önemli bir ilerlemedir. Ayrıca bu uygulama elektrik maliyetinde %18 azalma sağlamış ve enerji şebekesinin istikrarını fark edilir derecede artırmıştır.

Gösterimde uygulanan yıllık enerji tüketimi, önde gelen uluslararası kurumlar tarafından gerçekleştirilen simülasyona dayalı çalışmalardan yedi kat daha büyük olup yıllık enerji tüketimi 107 megavat-saat (MWh) ölçülmüştür. Elde edilen veriler, sistemin asıl kentsel ortamlarda uygulanma potansiyelini önemli derecede artırmaktadır.

Çalışma sonucuna göre yapay zekanın kentsel elektrifikasyonun verimliliğini artırabileceği ve enerji şebekesi istikrarı sorunlarını çözebileceği kanıtlanmıştır. Ayrıca, LPHI’nin kontrol edilmesinin önemi vurgulanmıştır. Bu sistemi gelecekte çeşitli kentsel ortamlara uygulayarak enerji verimliliği artırılabilir ve şebeke istikrarı güçlendirilebilir. Son olarak, karbon nötrlüğüne ulaşma yolunda önemli bir katkı sağlanılabilir.²

Kaynaklar

1.  https://techxplore.com/news/2024-09-team-ai-powered-approach-carbon.html
2. Han, G., An, Y. S., Kim, J. K., Jung, D. E., Joo, H. J., Kim, H., & Kim, M. H. (2024). Analysis of grid flexibility in 100% electrified urban energy community: A year-long empirical study. Sustainable Cities and Society, 113, 105648.
3. Balakumar, P., Vinopraba, T., & Chandrasekaran, K. (2023). Deep learning based real time Demand Side Management controller for smart building integrated with renewable energy and Energy Storage System. Journal of Energy Storage, 58, 106412.

Leyla Karakaya