Yapay Zeka ve Derin Öğrenmenin Enerji Sektöründe Uygulamaları
Enerji üretimi özellikle sanayi devriminin ardından çok önemli bir sektör haline gelmiştir ve asla bitmeyecek bir sektör olarak varlığını sürdürmektedir. Yapay zeka ve makine öğrenme algoritmaları ise son 50 yılda inişli çıkışlı bir yol izleyerek hızla gelişmiş ve özellikle son 10 yılda derin öğrenme tekniklerinin gelişmesiyle kendini günlük hayatın ve endüstrinin birçok alanında göstermeye başlamıştır. Son zamanlarda enerji sektörünün de yapay zeka ve makine öğrenmesi algoritmalarıyla desteklenmesi konusunda çeşitli çalışmalar yapılmıştır. Bu yazımda konu hakkında genel bir bilgi verip ardından alanda yapılan bazı çalışmalara yer vereceğim.
Makine öğrenmesi en kısa haliyle sayısallaştırılabilecek bir bilgi topluluğunun matematiksel denklemler aracılığıyla bilgisayara ‘öğretilmesi’ ve bu öğretilen modellerle tahminler yapılmasıdır [1].
Derin öğrenme 2000’li yılların başından itibaren geliştirilmeye başlanan ve makine öğrenmesinin öğrenme veya performans açısından eksik kaldığı bazı geniş verili modelleri bilgisayara derin matematiksel yapılar aracılığıyla aktararak daha kısa sürede ve daha yüksek öğrenme oranlarıyla aktarmasıdır. Günümüzde görüntü ve ses işleme, doğal dil işleme ve bunun gibi pek çok alanda derin öğrenme kullanılmaktadır.
Yapay zeka ise 1950’li yıllardan itibaren makine öğrenmesi ile paralel olarak geliştirilen bir konsepttir. Asıl amacı makine öğrenmesi/derin öğrenme algoritmalarını kullanarak bilgisayara veri topluluğunu öğreterek bilgisayarın kendi kendine çıkarımlar yapmasını sağlamaktır. Günümüzde derin öğrenme konseptleri olan yapay sinir ağları kullanılarak yapay zeka algoritmaları desteklenmektedir ve bu şekilde bilgisayarın efektif çıkarımlar yapması sağlanır.
Enerji sektöründe bu algoritmalar çeşitli amaçlarla kullanılmaktadır. Bu algoritmalar nesnelerin interneti (IoT), zaman serisi analizi (Time series analysis) gibi pek çok yapay zekayla ilişkili teknolojiden yararlanır. Bu alanlar şöyle sıralanabilir:[3][5]
1. Enerji Tasarrufu ve Optimizasyonu
Enerji tasarrufu günümüzde gittikçe önemi artan bir olgudur. Boşa harcanan enerjinin tasarrufu firmalara ve bireyle çok büyük kârlar sağlayabilmektedir. Enerji optimizasyonu da bu konuda yardımlar sağlamaktadır.
Google’ın bünyesinde bulunan DeepMind, Nest Learning Thermostat; Powerscout gibi uygulamalar gerek günlük hayatta gerekse endüstride nesnelerin interneti teknolojisiyle enerji optimizasyonunu sağlayarak enerji tasarrufuna yardımcı olur. Bu teknolojiler yazının ilerisinde daha ayrıntılı anlatılacaktır.
2. Enerji Talebi Tahmini
Enerji talebi tahmini üretilecek enerjinin miktarı açısından çok önemlidir. Üretilecek enerjinin miktarını varsayımlarla tahmin etmek çok zorlu ve çoğu zaman yenilenmeye ihtiyaç duyan pahalı bir çözümdür.
Makine öğrenmesi yöntemleriyle geliştirilen birtakım algoritmalar özellikle elektrik, rüzgar ve güneş enerjisinde doğru talep tahminleri yapmakta ve bununla birlikte bu talebi karşılamak için en verimli zamanı ve yeri bulmakta rol oynar. Akıllı şebekeler, Nnergix, Xcel gibi uygulamalar; ATHOM (Akım Tahmin ve Havza Optimizasyon Modeli), RİTM (Rüzgardan Üretilen Elektriksel Güç İçin İzleme ve Tahmin Sistemi) örnek gösterilebilir.
3. Kestirimci Bakım
Kestirimci bakım (predictive maintenance) enerji üretiminde kullanılan kritik ekipmanın hata vermesinden önceki emarelerinin analiziyle ekipman için ideal bakım aralıklarının belirlenmesinde yardımcı olur. Bu yedek parça maliyetini düşürmenin yanı sıra makinenin ömrünü de artırmaktadır. Bu süreçte çeşitli derin öğrenme ve makine öğrenmesi algoritmalarından yardım alınmaktadır. Siemens MindSphere, Verv bu konudaki uygulamalara örnek verilebilir
4. Enerji Ticareti
Günümüzde enerjinin üretimi kadar satışı da önemlidir. Bu nedenle pazara girebilmek ve pazarda büyüyebilmek için piyasanın ihtiyaçların seyrinin analizine ihtiyaç duyulmaktadır.
Ekonomistler bu görevi yerine getirebilecek konumda olsa bile yapay zeka aynı görevi çok daha hızlı, anlık ve ucuz şekilde tamamlayabilir. Bu şekilde en kârlı piyasa analizi gerçekleştirilir. Bu analizlerde zaman serisi analizi yöntemi kullanılır. Verv örnek bir uygulama olarak gösterilebilir.
Yukarıdaki alanların hepsi için farklı uygulamalar geliştirilmiştir. Bu uygulamalar çok fazla veriyi hızla işleme soktuğundan büyük miktarda elektrik harcamaya meyillidirler. Enerji tasarruflu donanımlar, algoritmaların daha çok enerji bulunan zamanlarda kullanılması gibi metodlar izlenerek burada aşırı enerji tüketiminin önüne geçilmeye çalışılır.
ÖRNEK UYGULAMALAR
Enerji sektöründe kullanılan yapay zeka uygulamalardan bazıları aşağıdaki gibi sıralanabilir:[4][6]
DeepMind: Google’ın enerji optimizasyonu için geliştirdiği yapay zeka uygulamasıdır. Enerji tasarrufunu ve karbon salınımlarını azaltmayı hedeflemektedir. 2 yıllık kullanım sonucunda Google’ın veri sunucularında %40 soğuma sağlamıştır, bu faturalarda düşüşe de neden olmuştur.
Nest Learning Thermostat: Google’a bağlı Nest labs tarafından geliştirilen akıllı termostat teknolojisidir. Kullanıcılar ilk haftalarda termostatı kendi isteklerine göre ayarlayarak gerekli veriyi sağlamalıdırlar, daha sonra termostat sıcaklığı kendi kendine ayarlamaya başlamaktadır. Cihaz makine öğrenmesi algoritmalarıyla çalışmaktadır.[7]
Powerscout: Şirketlere enerji teknolojileri satın alırken danışmanlık yapan bir yapay zeka uygulamasıdır. Bunun yanında müşterilerin evindeki enerji tüketimlerini analiz ederek ‘Akıllı Ev Geliştirme Projesi’ni kendi içinde geliştirir. Nesnelerin İş ortaklarından biri Google’dır.
Nnergix: Nnergix web tabanlı bir veri madenciliği uygulamasıdır. Uydu verilerini makine öğrenmesi algoritmalarıyla kullanarak bir bölgenin hava tahmininin yapılmasında yardımcı olur. Bu tahmin verileri en verimli enerjinin ne zaman ve nerede elde edilebileceği ile alakalı isabetli bilgiler verir.
Xcel: Bu uygulama daha ayrıntılı bir veri setiyle çalışarak enerji türünün güvenilmezliğiyle alakalı bilgiler verir. Enerji sisteminin kurulacağı arazide oluşan rüzgar ve güneş dalgalanmalarının kuvvetli olup olmayacağını daha önceki meteorolojik veriler, hava istasyonları ve yerel uydu raporları aracılığıyla öğrenir ve belli kalıplar tanımlayarak bölgede alınacak önlemler konusunda yardımcı olur.
Verv: Verv yapay zeka desteklidir ve enerji yönetiminde akıllı ev asistanı olarak kullanılır. Bu uygulama ev aletlerinin enerji tüketimleri hakkında veriler sağlayarak, kullanıcıların evlerindeki bütün cihazların enerji kullanımına ilişkin kayıtları görmesini sağlar. Ayrıca kullanıcıların enerji masraflarını düzenlemesine yardımcı olur. Bağlı cihazlar açıldığında, yapay zeka asistanı çalıştıran algoritma kalıpları tanır ve böylece her bir cihazın enerji maliyetini kalem kalem otomatik olarak hesaplayabilir. Bu uygulama ayrıca ihtiyaç dışında uzun süre açık unutulan cihazların kapatılması için bildirim de gönderir ve bu sayede karbon ayak izini en aza indirmiş olur. Aynı zamanda elektronik ev eşyalarında kestirimci bakım için de kullanılabilir.
Siemens MindSphere: MindSphere, endüstriyel bir IoT teknolojisidir. Gelişmiş analitik ve yapay zeka kullanan MindSphere, operasyonları optimize etmek, daha kaliteli ürünler oluşturmak ve yeni iş modellerini devreye almak için bağlantılı ürünler, tesisler ve sistemlerden gelen verilerle IoT çözümlerini uçtan buluta kadar güçlendirir. Mendix uygulama platformu üzerine inşa edilen MindSphere, müşterilere, ortaklara ve Siemens organizasyonuna kişiselleştirilmiş IoT uygulamalarını hızlı bir şekilde oluşturma ve entegre etme gücü verir.[8]
ATHOM: TÜBİTAK MAM tarafından geliştirilen ve açılımı Akım Tahmin ve Havza Optimizasyon Modeli olan bu model pilot olarak Seyhan havzasında su yapılarına gelecek akımın tahmin edilmesi ve buna bağlı olarak depolama tesislerinin su bütçelerinin hazırlanarak günlük, aylık ve yıllık bazda işletilmesini sağlayan bir sistemdir. [9]
RİTM: Yine TÜBİTAK tarafından geliştirilen ve açılımı Rüzgar İzleme ve Tahmin Modeli, rüzgar enerjisi santrallerinin (RES) Türkiye Elektrik Sistemi’ne geniş ölçekli entegrasyonunun sağlanmasını amaçlanmaktadır. Mevcut RES’lerden meteorolojik veriler (hız, yön, sıcaklık vb.) rüzgâr ölçüm istasyonları aracılığı ile, türbin ‘status’ durumları ise SCADA’lar aracılığıyla alınmaktadır. Ayrıca, santrallerin transformatör merkezlerine tesis edilen “Monitörler” ile güç, akım, gerilim vb. veriler anlık olarak Rüzgâr Enerjisi İzleme ve Tahmin Merkezi’ne iletilmektedir. Bu verilere ek olarak orta ölçekli sayısal hava tahmin modeli çıktıları kullanılarak her bir RES için 48 saatlik rüzgârdan üretilecek elektriksel güç tahminleri oluşturulmaktadır.[10]
Yapay zekanın enerji sektörlerindeki gelişimi yadırganamaz biçimde ilerlemektedir. Bu gelişim zamanla daha da fazla ilerleyebilir, hatta enerji sistemlerinin yapay zeka güdümlü otomasyonuna bile gidebilecek bir sürece yol açabilir. Yakın gelecekte en verimli enerjiyi en iyi zamanda ve en iyi yerde kurabilen otomatik sistemler geliştirilebilir ve bu sistemler insan iş gücünü ve maliyetini en azına indirgeyecek şekilde tasarlanarak enerji sıkıntısının üstesinden gelmemize yardımcı olabilir. Umarım yazımdan keyif almışsınızdır, okuduğunuz için teşekkür ederim.
Kaynaklar
[1] https://towardsdatascience.com/machine-learning-in-energy-c729c1af55c8
[2] https://towardsdatascience.com/cousins-of-artificial-intelligence-dda4edc27b55
[4] https://gelecekbilimde.net/yenilenebilir-enerjide-kullanilan-6-harika-yapay-zeka-uygulamasi/
[5] https://www.predictiveanalyticstoday.com/top-predictive-maintenance-software/
[6] ENERJİ ALANINDAKİ TAHMİN PROBLEMLERİ İÇİN MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME YÖNTEMLERİNİN KULLANILMASI; Dilek Küçük, Doğan Gezer; TÜBİTAK Marmara Araştırma Merkezi, Enerji Enstitüsü
[7] https://en.wikipedia.org/wiki/Nest_Thermostat
