Mikro şebeke enerji yönetimi için tahmine dayalı hibrit model öngörümlü kontrol algoritması

Abstract

Enerji talebindeki artış, geleneksel enerji üretiminin çevresel etkileri ve daha yüksek yenilenebilir enerji penetrasyonu, bizi akıllı şebeke, dağıtılmış üretim, elektrik depolama ve gelişmiş kontrol ve eniyileme (optimizasyon) konuları üzerine düşünmeye yönlendirmiştir. Bu tezde, bir mikro şebekenin kontrol problemi, ileri kontrol tekniği olan Model Öngörülü Kontrol (MÖK) ile yönetilirken, güneş enerjisi üretiminin ve elektrik yükü talebinin rassal doğası dikkate alınarak çalışılmıştır. İlk olarak elektrik yük talebini ve fotovoltaik (FV) çıkış gücünü tahmin etmek için farklı tahmin yöntemlerini kullandık. Türkiye'de Yaşar Üniversitesinde bulunan, binaya entegre fotovoltaik sistemin enerji üretimini ve aynı kampüste bulunan bir binanın elektrik yük tüketimini 24 saatlik zaman dilimi boyunca tahmin etmek için Doğrusal Regresyon, Mevsimsel Özbağlanımlı Tümleşik Kayan Ortalama ve Çok Katmanlı Algılayıcı (ÇKA) yöntemlerini uyguladık. Ardından üç farklı MÖK yaklaşımı tasarlayıp, bu yaklaşımların performanslarını karşılaştırdık: (i) gelecekteki yük ve FV üretimin noktasal tahminlerini alarak deterministik MÖK, (ii) geçmiş net yük dağılımını kullanarak rassal MÖK, (iii) deterministik ve rassal MÖK yöntemlerinin güçlü yönlerini birleştiren melez (hibrit) yöntem. Yük talebi ve yenilenebilir enerji üretiminin rassal yapısını ele almak için 'şans kısıtı' ve 'iki aşamalı (eklenmeli)' rassal programlama yöntemlerini MÖK yaklaşımı içinde kullanıyoruz. İki aşamalı yöntemde senaryoların sayısını azaltmak için, özgün bir Tekil Değer Ayrıştırma tabanlı model derecesi azaltma yöntemi uyguladık. Bu tezin özgün katkıları iki şekildedir: (i) gelecekteki zaman dilimleri için geçmiş verinin karakterini ve noktasal tahminleri birleştiren ve bu sayede tamamen deterministik veya rassal MÖK yaklaşımlarından daha iyi performans gösteren melez bir MÖK yaklaşımının geliştirilmesi ve (ii) iki aşamalı rassal programlamada senaryoların sayısını azaltmak için Tekil Değer Ayrıştırma tekniğinin uyarlanmasıdır.

Increase in energy demand, environmental effects of conventional power generation and higher renewable energy penetration have led us to consider the topics of the smart grid, distributed generation, electrical storage, and advanced controls and optimization. In this thesis, a microgrid control problem that takes into account the stochastic nature of the solar power generation and electrical load demand, while managing the microgrid operation by an advanced control technique, namely Model Predictive Control (MPC), is studied. First, we predict the electrical load demand and photovoltaic (PV) output power by using various forecasting methods. We apply Linear Regression, Seasonal Autoregressive Integrated Moving Average (SARIMA), and Multi-Layer Perceptron (MLP) methods to forecast generation of a building-integrated photovoltaic (BIPV) system and electrical load consumption of a building at Yaşar University, Turkey for a 24-hour horizon. Subsequently, we design three different MPC approaches and compare their performances: (i) deterministic MPC by taking point estimations of future load and PV generation directly, (ii) stochastic MPC by using the distribution of the historical net load, (iii) a hybrid method that combines the strengths of deterministic and stochastic MPC methods. To address the stochastic nature of load demand and renewable energy generation, we employ 'chance-constrained' and 'two-stage (recourse)' stochastic programming in the MPC controller. In order to reduce the number of scenarios in the two-stage method, we apply a novel Singular Value Decomposition based model of order reduction. The novel contributions of this thesis are two-fold: (i) development of a hybrid MPC approach that combines the character of the historical data and point estimations for future horizon, and thus it outperforms better than purely deterministic or stochastic MPC approaches, and (ii) adaptation of Singular Value Decomposition technique in order to reduce the number of scenarios in two-stage stochastic programming.