DC Şebekelerin Optimizasyonun Hesaplama Sürelerinin Derin Öğrenme Metotları ile Azaltılması

Başar K., Altun K., Zorlutuna İ.

2nd International Cumhuriyet Artificial Intelligence Applications Conference (CAIAC) 2022, Sivas, Türkiye, 8 - 09 Aralık 2022, ss.131-132

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Sivas
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.131-132
  • Yozgat Bozok Üniversitesi Adresli: Evet

Özet

DC Şebekelerin Optimizasyonun Hesaplama Sürelerinin Derin Öğrenme Metotları ile Azaltılması K.Başar1* , K.Altun2 , İ.Zorlutuna3 1Yozgat Bozok Üniversitesi, Yozgat Meslek Yüksekokulu, Bilgisayar Teknolojileri Bölümü, Yozgat, Türkiye 2Sivas Cumhuriyet Üniversitesi, Sivas Teknik Bilimler Meslek Yüksekokulu, Elektronik ve Otomasyon Bölümü, Sivas, Türkiye 3Sivas Cumhuriyet Üniversitesi, Fen Fakültesi, Matematik Bölümü, Sivas, Türkiye Günümüzde artan nüfus ve buna bağlı olarak artan güç talebi ile AC şebekelerde karşılaşılan güç kompanzasyonu gibi birçok problemde yaşanan zorluklar, DC şebekelerin popülaritesini artırmıştır. Ancak DC gücün depolanmasındaki yüksek maliyetler DC kaynakların optimal kullanımı zorunluluğunu doğurmuştur. Doğada sınırlı DC kaynakların maksimum kullanımının ardındaki fikir, güç sistemleri literatüründe yaygın olarak bahsedilen üç tip problem olarak ortaya çıkmıştır: yük akışı, ekonomik dağıtım ve optimal güç akışı problemidir. Problemin tespitinde fiziksel ve operasyonel kısıtlamaların belirlenmesi gerekmektedir. Güç sistemi optimizasyon problemleri ilk olarak Kirchoff ve Ohm kanunu kullanılarak optimal güç akışı problemi olarak formülüze edilmiştir. Optimal güç akışı probleminde her bir bara için gerilim ve güç ayar noktaları belirlenirken; hatların güç taşıma kapasitesi kısıtlamaları, üretim kapasitesi kısıtlamaları, gerilim üst ve alt sınır kısıtlamaları, iletim kararlılığı kısıtlamaları, vb. kısıtlamaların yanı sıra işletme maliyeti ve güç kaybı gibi belirli bir amaç fonksiyonunu en aza indiren ayar noktaları belirlenir. DC dağıtım şebekelerinde optimal güç akışı, farklı amaç fonksiyonlarında (örneğin; güç kaybı, maliyet ve esneklik) doğrusal, doğrusal olmayan veya sezgisel optimizasyon problemleri olarak formülüze edilir. DC şebekelerin kritik görev uygulamalarında yaygın olarak kullanıldığı göz önüne alındığında, optimal güç akışı çözümünü elde etmek, sistemin optimum çalışması için vazgeçilmezdir. DC dağıtım şebekelerinde optimal güç akışı, konveks optimizasyon yöntemleri kullanılarak yeterince incelenmemiştir. Doğrusal denklemlerle yaklaşık olarak tahmin edilen bir optimal güç akışı çözümü orijinal fiziksel modele tam olarak uygulanamamaktadır. Bu dezavantajı gidermek için, çeşitli konveks dönüşümler çözümün orijinal soruna eşdeğerliğini korumaya çalışırken, doğrusal olmayan güç akışı kısıtlamalarını konveks yaklaşımlara ifade eder. Yarı-belirli programlama (SDP) ve ikinci dereceden koni programlama (SOCP) dahil olmak üzere konveks dönüşüm teknikleri, problemi yüksek boyutlu bir uzayda yeniden formülüze eder ve konveks olmayan cebirsel ilişkileri konveks konik eşitsizliklere dönüştürür. Böylelikle SDP ve SOCP dönüşümleri, AC şebekelerde optimal güç akışı çözümü için küresel olarak en uygun çözümleri başarıyla bulur. Ancak bara sayısı çok fazla olan şebekelerde konveks optimizasyon sonuçlarının elde edilmesi ve gerçek zamanlı şekilde fiziksel sistemlere uygulamasının oldukça yavaş olduğu gözlemlenmiştir. Talep verilerinin toplanması ile optimize edilmiş ayar noktalarının hesaplanması arasındaki zamansal boşluk, yani konveks optimizasyonun işlem süresinin azaltılmasının yöntemleri bu çalışmanın ana inceleme noktasını oluşturmaktadır. Bu çalışmada, kabul edilebilir bir işlem süresi içinde global optimizasyona yakın bir çözümün elde edilmesi amaçlanmıştır. Bunun için XGBoost algoritması 72 dakikalık verileri kullanarak güç, gerilim ve üretim maliyeti gibi değişkenleri derin öğrenme ile global çözüme yakın olacak şekilde bulmuştur. Anahtar Kelime: Konveks optimizasyon, DC şebekeler, derin öğrenme, optimal güç akışı.

Reducing the Optimization Calculation Times of DC Networks with Deep Learning Methods K.Başar1* , K.Altun2 , İ.Zorlutuna3 1Yozgat Bozok University, Yozgat Vocational School, Department of Computer Technologies, Yozgat, Türkiye 2Sivas Cumhuriyet University, Sivas Vocational School of Technical Sciences, Department of Electronics and Automation, Sivas, Türkiye 3Sivas Cumhuriyet University, Faculty of Science, Department of Mathematics, Sivas, Türkiye Today, the increasing population and the increasing power demand and the difficulties encountered in many problems such as power compensation in AC networks have increased the popularity of DC networks. However, the high costs of storing DC power have necessitated the optimal use of DC resources. The idea behind the maximum utilization of limited DC resources in nature has emerged as three types of problems commonly mentioned in the power systems literature: load flow, economical distribution, and optimal power flow problem. Physical and operational constraints need to be identified in identifying the problem. Power system optimization problems were first formulated as an optimal power flow problem using Kirchoff and Ohm's law. While determining the voltage and power setpoints for each busbar in the optimal power flow problem; power carrying capacity constraints of lines, generation capacity constraints, voltage upper and lower limit constraints, transmission stability constraints, etc. Setpoints are set that minimize a particular objective function, such as operating cost and power loss, as well as constraints. Optimal power flow in DC distribution networks is formulated as linear, nonlinear or heuristic optimization problems in different objective functions (eg power loss, cost and flexibility). Given that DC networks are widely used in mission critical applications, obtaining the optimal power flow solution is indispensable for the optimum operation of the system. Optimal power flow in DC distribution networks has not been adequately studied using convex optimization methods. An optimal power flow solution approximated by linear equations cannot be fully applied to the original physical model. To overcome this disadvantage, various convex transformations attempt to maintain equivalence of the solution to the original problem, while expressing nonlinear power flow constraints to convex approximations. Convex transformation techniques, including semi-definite programming (SDP) and quadratic cone programming (SOCP), reformulate the problem in a high-dimensional space and transform non-convex algebraic relations into convex conical inequalities. Thus, SDP and SOCP conversions successfully find globally optimal solutions for optimal power flow solution in AC networks. However, it has been observed that obtaining convex optimization results in networks with a large number of busbars and applying them to physical systems in real time is quite slow. The temporal gap between the collection of demand data and the calculation of optimized setpoints, i.e. the methods of reducing the processing time of convex optimization, is the main examination point of this study. In this study, it is aimed to obtain a solution close to global optimization within an acceptable processing time. For this, the XGBoost algorithm has found variables such as power, voltage and production cost to be close to the global solution by using 72 minutes of data. Keywords: Convex optimization, DC grids, deep learning, optimal power flow.