Akıllı Şebekelerde (Smart Grid, SG), kullanıcı bilgileri toplanıp, arz bilgileri ile karşılaştırıldıktan sonra, müşterilerin kullanıma karar vermeleri için fiyat bilgileri gönderilmektedir. Merkezi Olmayan Akıllı Şebeke Kontrolcüsü (Decentral Smart Grid Control, DSGC) sistemleri; şebekenin frekansını, fiyat bilgisine bağlayarak çalışmaktadır ve bunu bir diferansiyel denklem ile temsil etmektedir. DSGC, kullanıcı davranışlarına ilişkin bazı çıkarımlar ile hareket etmektedir. Bu çalışmada, bu çıkarımlardan doğan sabit giriş ve eşitlik sorunlarını çözmek için, optimize edilmiş Derin Öğrenme (DL) modeli kullanımı önerilmektedir. SG'nin kararlılığını tahmin etmek amacıyla, birçok DL modeli ve DL modellerindeki parametreler denenip, karşılaştırılmaktadır. Daha iyi başarım oranı elde etmek amacıyla, şebekenin simetrik olması kullanılıp, 10.000 örnekleme sahip veri setinden, arttırılmış, 60.000 örnekleme sahip bir veri seti elde edilmiştir. Çalışma sonucunda, arttırılmış veri setinin kullanılması ve DL yardımıyla %99,62 doğruluk oranına sahip bir model elde edilmiştir. Optimize edici olarak en iyi sonucu Nadam'ın verdiği gözlemlenmiştir. DL modellerinin kara kutu problemini çözmek için, insan-anlaşılabilir bilgi çıkarımı çıkarmak amacıyla, sunulan DL modelinde Katmana Göre Alakalık Geri Yayımı (Layer-Wise Relevance Propagation, LRP) kullanılmıştır. Farklı katmana göre alakalık geri yayımı kuralları karşılaştırılmıştır. Girdilerin, kararlılık tahmini üzerindeki etkileri incelenmiştir. Kullanıcıların reaksiyon zamanlarının en önemli etken olduğu, fiyat elastiklik katsayısının buna oranla %15-20 önem taşıdığı ve nominal güç üretim ve tüketiminin göz ardı edilebileceği keşfedilmiştir. Hem yüksek başarım oranı gösteren hem de açıklanabilir bir kararlılık tahmin sistemi oluşturularak DL modellerinin, simüle edilmiş sistemlerde yeni öngörüler sunduğu ve dikkate alınması gerektiği gösterilmiştir; sistemin tahmin mekanizmalarının anlaşılması sağlanarak, kara kutu problemine çözüm üretilmiştir.
In a smart grid, consumer demand information is collected, centrally evaluated against current supply conditions and the proposed price information is sent back to customers for them to decide about usage. Decentral Smart Grid Control (DSGC) systems work by tying grid frequency to price data and they are described by a differential equation. DSGC systems assume some user behaviors. In this thesis, we suggested using Deep Learning (DL) models for solving two main problems arising from these assumptions, namely fixed inputs and equality issues. Multiple DL models and parameters for predicting smart grid stability are compared. In order to obtain a better result, the symmetry of the network is leveraged and an augmented data set with 60.000 samples is obtained from the data set with 10.000 samples. As a result of the study, a model with an accuracy rate of 99.62% is found. As for optimizer, nadam is found to give the best results. To solve the black box problem of deep learning models, Layer Relevance Propagation (LRP) is used in the suggested DL model to extract human-intelligible information. Different propagation rules are compared and the effects of the inputs on the stability prediction are examined. It is found that the reaction time of the users is the most relevant factor for smart grid stability. Compared to reaction time, the price elasticity coefficient found to have 15-20% of relevancy. The nominal power generation and consumption found to be irrelevant to smart grid stability. By constructing a stability prediction system that is both high-performance and explainable, it is been shown that DL models offer new insights in simulated systems and should be taken into account; By providing an understanding of the prediction mechanisms of the system, a solution for the black box problem is given.
