Bu tədqiqat, elektrik paylayıcı şəbəkə tədqiqatlarında kullanılacak simulyasiya senaryolarının təbii dil komutlarıyla oluşturulmasını sşəbəkəlayan GridSage adlı bir platform önermektedir. Kullanıcı; şebeke modeli, fotovoltaik üretim, külək enerjisi, yük seviyesi, enerji saxlanması, elektrik nəqliyyat vasitələri, tədqiqat saatleri və kullanılacak möhkəmləndirməli öyrənmə alqoritmsı gibi koşulları günlük dille tanımlamaktadır. GridSage bu isteği doğrudan fiziki simulyasiyaa göndermek yerine uygun bir Scenario Skill şablonunu seçmekte, yalnızca istenen alanları artımlı kimi değiştirmekte və ortaya çıkan ScenarioConfig obyektsini topologiya, parametre sınırı, güc axını və istismar məhdudiyyətləri bakımından doğrulamaktadır.

Yöntem; Scenario Skill erişimi, artımlı semantik düzenleme, iki katmanlı təhlükəsizlik kontrolü, V2G özellikli aktif paylayıcı şəbəkə modeli, doğrusal DistFlow çözümü, OpenDSS tabanlı doğrusal olmayan AC güc axını doğrulaması və Gymnasium uyumlu möhkəmləndirməli öyrənmə ortamından oluşmaktadır. Platform; fotovoltaik və rüzgâr üretimi, enerji saxlanması sistemleri, elektrik nəqliyyat vasitəsi şarjı və şəbəkəyə enerji vərmə, yumuşak açık noktalar ilə əvvəlden doğrulanmış şebeke yeniden konfiqurasiya planlarını eyni deney ortamında birleştirmektedir.

Doğal dil konfiqurasiyası üçün hazırlanan 200 örnekli karşılaştırmada tam GridSage iş axını %96,0 komanda dəqiqliyi, %96,12 sahə dəqiqliyi, %98,0 geçerlilik və %96,0 icraya hazır olma oranına ulaşmıştır. Doğrudan tam konfiqurasiya üreten əsas metod yalnızca %52,5 komanda dəqiqliyi və %44,5 icraya hazır olma oranı sşəbəkəlamıştır. 76 senaryolu təhlükəsizlik testinde genel doğrulayıcı bütün 40 kesin xətalı konfiqurasiyayı çalıştırılmadan əvvəl engellemiş; Scenario Skill doğrulaması, çalıştırılabilir fakat riskli senaryoların %80’ine uyarı və ya ret yoluyla müdahale etmiştir.

IEEE 33 düğümlü, yüksək fotovoltaik üretim və aşşəbəkəı yük senaryosunda SAC, TD3, DDPG və PPO alqoritmları 200.000 adım boyunca eğitilmiştir. Gurobi tabanlı optimizasyon referansı 96.091,90 ilə ən aşşəbəkəı toplam amaç değerini, %99,18 gərginlik uyğunluğunu və %100 bərpa olunan enerji istifadəsinı elde etmiştir. Öğrenilmiş denetleyicilər arasında SAC, 98.476,50 toplam amaç değeriyle en iyi toplu sonucu vərmiştir; ancak gərginlik uyğunluğu %93,62 və yenilənebilir kullanım oranı %94,59 düzeyinde kalmıştır. Bulgular gerçek bir paylayıcı şəbəkə uygulamasına değil, tek bir ana RL senaryosu, üç təsadüfi toxum və hakem qiymətləndirməsindən keçməmiş bir yazılım prototipine dayanmaktadır.

Tədqiqatnın çözmeye çalıştığı sorun nedir?

Dşəbəkəıtım şebekelerinde möhkəmləndirməli öyrənmə tədqiqatsı yapmak yalnızca bir alqoritm seçmekten ibaret deyil. Tədqiqatcının şebeke topologiyasini, yük və bərpa olunan enerji profillerini, cihaz kapasitelerini, elektrik nəqliyyat vasitələriın davranışını, depolama sınırlarını, tədqiqat süresini, güc axını çözücüsünü, ödül fonksiyonunu və deney tohumlarını tutarlı biçimde tanımlaması lazımdır.

Bu ayarların elle yapılması üç əsas sorun oluşturmaktadır:

• Senaryo oluşturma süresi və konfiqurasiya maliyeti yükselmektedir.
• Birbiriyle çelişen və ya fiziki kimi uygulanamayan parametreler kolayca oluşturulabilmektedir.
• Deneyler arasındaki küçük və kayıtsız konfiqurasiya farkları, nəticələrın yeniden üretiləbilirliğini və alqoritmların adil karşılaştırılmasını zayıflatmaktadır.

Büyük dil modelleri təbii dil isteklerini yapılandırılmış vəriləre dönüştürebilir. Ancak elektrik şəbəkəsi senaryosu sıradan bir metin üretme görəvi deyil. Dil modelinin var olmayan bir düğüme cihaz eklemesi, desteklenmeyen bir şebeke modeli istemesi, zaman aralığını ters tanımlaması və ya aşırı üretimle gerilim sınırlarını tehlikeye atması mümkündür. Tədqiqatnın əsas sorusu bu nedenle şöyledir: Doğal dilin esnekliği, fiziki şebeke kurallarından ödün vərmeden güvənli və yeniden üretiləbilir bir deney konfiqurasiya aracına dönüştürülebilir mi?

GridSage’in genel iş axını

Tədqiqatnın grafik özetinde kullanıcıdan başlayan süreç beş ana aşamada gösterilmektedir:

1. Kullanıcı, incelemek istediği paylayıcı şəbəkə senaryosunu təbii dille açıklar.
2. Platform, IEEE 33, 69 və ya 123 düğümlü sistem gibi əsas senaryolardan uygun Scenario Skill kaydını getirir.
3. Mevcut konfiqurasiya tamamen yeniden yazılmadan, yalnızca kullanıcının istediği parametreler değiştirilir.
4. Topoloji, güç uygulanabilirliği, gerilim sınırları və istismar məhdudiyyətləri doğrulanır.
5. Geçerli senaryo möhkəmləndirməli öyrənmə ortamında çalıştırılarak maliyet, gərginlik uyğunluğu, bərpa olunan enerji istifadəsi və elektrik nəqliyyat vasitəsi şarj memnuniyeti raporlanır.

Bu mimaride büyük dil modeli fiziki simulyasiya katmanına doğrudan erişmemektedir. Dil modeli yalnızca konfiqurasiya katmanında komut üretir. Gerçek şebeke durumu, güc axını və cihaz hareketleri deterministik yazılım biləşenleriyle oluşturulmaktadır. Bu ayrım, dil modelinin serbest metin üretimindeki qeyri-müəyyənliklerin doğrudan şebeke hesaplarına taşınmasını önlemeyi amaçlamaktadır.

Scenario Skill nedir?

Scenario Skill, tipik bir paylayıcı şəbəkə tədqiqat durumunu temsil eden yeniden kullanılabilir bir bilgi birimidir. Örneğin yüksək fotovoltaik üretim, aşşəbəkəı yük, yoğun elektrik nəqliyyat vasitəsi şarjı və ya sınırlı esnek mənbə koşulu ayrı birer beceri kaydı kimi tanımlanabilir.

Her beceri şu biləşenlerden oluşmaktadır:

\[ S_k=(id_k,z_k,T_k,R_k,D_k,P_k,N_k,A_k,M_k,V_k) \]

Burada \(id_k\) becerinin kimliğini, \(z_k\) semantik açıklamayı, \(T_k\) tetikleyici ifadeleri, \(R_k\) temsilî kullanıcı taleplerini, \(D_k\) cihaz və tədqiqat koşulu tanımlarını, \(P_k\) önerilən parametreleri, \(N_k\) düğüm düzeyi değişiklik kurallarını, \(A_k\) möhkəmləndirməli öyrənmə ayarlarını, \(M_k\) qiymətləndirmə ölçütlerini və \(V_k\) doğrulama kurallarını göstərir.

Bu yapı, tədqiqatçıların deneyimlerini serbest metin notları yerine aranabilir və denetlenebilir senaryo bilgisine dönüştürmektedir. Beceri kitaplığı açık uçlu tasarlanmıştır; yeni şebeke koşulları və doğrulama kuralları sonradan eklenebilmektedir.

Uygun beceri nasıl seçilmektedir?

Kullanıcının isteği \(U_{in}\) və mevcut senaryo durumu \(C_{cur}\) üçün her beceriye bir eşleşme puanı vərilmektedir:

\[ \operatorname{Score}(S_k|U_{in},C_{cur})=\omega_1I_T(U_{in},T_k)+\omega_2I_R(U_{in},R_k)+\omega_3I_D(U_{in},D_k)+\omega_4I_S(U_{in},S_k) \]

\(I_T\), kullanıcı komutunun tetikleyici ifadelerle benzerliğini; \(I_R\), temsilî taleplerle uyumunu; \(I_D\), adı geçen cihaz və enerji mənbəlarının beceriyle ilişkisini; \(I_S\), mevcut senaryo durumuyla uyumu ölçmektedir. \(\omega_1\)–\(\omega_4\) əmsalları dört ölçütün görəli şəbəkəırlıklarını belirlemektedir.

Algoritma 1'de puanı belirli bir eşik değerini geçen becerilər aday kümesine alınmakta və ən yüksək puanlı beceri seçilmektedir. Hiçbir beceri eşiği geçmezse sistem uygun bir beceri bulunamadığını döndürmektedir. Seçilən becerinin parametreleri, düğüm kuralları, alqoritm ayarları, performans ölçütleri və təhlükəsizlik kuralları sonraki düzenleme aşamasına bşəbəkəlam kimi aktarılmaktadır.

Tədqiqatda eşleştirme biləşenlerinin yapısı açıklanmış olmakla birlikte şəbəkəırlık əmsallarının və erişim eşiğinin rəqəmsal değerleri ana metinde vərilmemiştir. Bu durum, beceri erişim mekanizmasının eyni ayarlarla bşəbəkəımsız kimi yeniden üretilmesini sınırlandırmaktadır.

Artımlı semantik düzenleme neden mühümdir?

Bir kullanıcı mevcut senaryoda yalnızca fotovoltaik üretimi değiştirmek istediğinde bütün ScenarioConfig obyektsinin yeniden üretilmesi gereksiz risk oluşturur. Dil modeli daha əvvəl doğru tanımlanmış alanları yanlışlıkla değiştirebilir və ya unutabilir.

GridSage bunun yerine yalnızca gereken değişiklikleri içeren bir Delta Command kümesi oluşturmaktadır:

\[ \Delta=\operatorname{Generate\_Delta}(U_{in},C_{cur},\mathcal{H}) \]

Her değişiklik komutu şu üçlüyle temsil edilir:

\[ d_i=(a_i,q_i,v_i) \]

\(a_i\), güncelleme və ya etkinleştirme gibi işlem türünü; \(q_i\), hedef konfiqurasiya alanını; \(v_i\), yeni değeri göstərir. Bir kullanıcı isteğinden oluşan bütün değişiklikler ise şöyledir:

\[ \Delta=(d_1,d_2,\ldots,d_m) \]

Bu yaklaşım mevcut durumun korunmasını, değişiklik geçmişinin izlenmesini və xətalı alanların tek tek düzeltilmesini kolaylaştırmaktadır.

Bir təbii dil komutu nasıl yapılandırılmış senaryoya dönüştürülmüştür?

Tədqiqatdaki örnek komutta kullanıcı şu koşulları istemektedir:

• IEEE 33 düğümlü paylayıcı şəbəkə,
• 10.00–14.00 arasında fotovoltaik üretimin 2,0 katına çıkarılması,
• Aynı dönemde yükün 0,7 katına düşürülmesi,
• b18 düğümüne 300 kW fotovoltaik kapasite eklenmesi,
• b18 düğümüne 500 kWh enerji saxlanması eklenmesi,
• Değerlendirmede SAC alqoritmsının kullanılması,
• Sonuçların Gurobi tabanlı optimizasyon referansıyla karşılaştırılması.

Platform bu biləşik isteği dört konfiqurasiya grubuna ayırmıştır: senaryo amacı, küresel işletme parametreleri, düğüm və cihaz değişiklikleri ilə alqoritm və yürütme ayarları. Böylece tek bir paragraftaki zaman, cihaz, kapasite və alqoritm talepleri ayrı alanlara yazılmıştır.

İki katmanlı təhlükəsizlik doğrulaması

Aday senaryo doğrudan güc axını çözücüsüne gönderilmemektedir. Doğrulama kuralları genel və beceriye özgü kontrollerin birleşimi kimi tanımlanmaktadır:

\[ V(C_{prop},S)=V_g(C_{prop})\oplus V_k(C_{prop},S) \]

\(V_g\), bütün senaryolara uygulanan genel doğrulamaları; \(V_k\), seçilən Scenario Skill üçün tanımlanmış semantik kontrolleri göstərir.

Genel kesin kısıtlar

İlk aşamada konfiqurasiyanın çalıştırılabilir olup olmadığı kontrol edilir. İncelenen başlıca konular şunlardır:

• İstenen şebeke modelinin desteklenip desteklenmediği,
• Başlangıç və bitiş saatlerinin mantıksal sırası,
• Zaman adımının geçerliliği,
• Algoritma və yürütme modunun desteklenmesi,
• Belirtilən düğümün şebekede bulunması,
• Cihazların ilgili düğüm və senaryoyla uyumu,
• Fotovoltaik, yük və diğer çarpanların izin vərilən aralıqlarda kalması,
• Topoloji bşəbəkəlantısı, güc axını uygulanabilirliği və işletme sınırları.

Örneğin 23.00'te başlayıp 22.00'de biten bir simulyasiya reddedilmişdir. Desteklenmeyen “ieee999” modeli de çalıştırılmadan əvvəl engellenmiş və kullanıcıya mevcut IEEE 33, 69 və 123 düğümlü seçenekler bildirilmişdir.

Scenario Skill semantik kontrolü

Bir konfiqurasiya teknik kimi çalıştırılabilir olsa bilə tədqiqat amacı bakımından riskli ola bilər. Örneğin fotovoltaik üretimin 2,8 katına çıkarıldığı, yükün 0,7 katına düşürüldüğü və hem enerji saxlanması hem de SOP desteğinin kapatıldığı bir senaryo çözücü tarafından çalıştırılabilir. Ancak yüksək üretim, aşşəbəkəı tüketim və sınırlı esneklik bir araya geldiğinde aşırı gerilim və bərpa olunan enerji məhdudlaşdırılması riski oluşabilir.

GridSage bu tür senaryoları zorunlu kimi reddetmek yerine “uyarı” durumuna alabilmektedir. Böylece kesin fiziki və ya şema xətaları ilə tədqiqatcının bilinçli kimi incelemek isteyebiləceği stres koşulları birbirinden ayrılmaktadır.

Dşəbəkəıtım şebekesi fiziki modeli

Doğrulanan ScenarioConfig, metin olmaktan çıkarılarak zaman indeksli bir fiziki şebeke durumuna dönüştürülmektedir. Her zaman adımında yükler, yenilənebilir üretim, elektrik nəqliyyat vasitələri, depolama, SOP və seçilmiş topologiya birlikte oluşturulmaktadır.

Yük modeli

Bir düğümdeki aktif yük, əsas profil, küresel yük çarpanı, zamana bşəbəkəlı əmsal və düğüm düzeyindeki ek yükten oluşmaktadır:

\[ P^L_{i,t}=\alpha^L\rho^L_t\bar{P}^L_{i,t}+\Delta P^L_i \]

Reaktif yük, əsas güç faktörü açısı korunarak hesaplanmaktadır:

\[ Q^L_{i,t}=P^L_{i,t}\tan\phi_i \]

\(\alpha^L\), genel yük çarpanını; \(\rho^L_t\), zaman profili əmsalsını; \(\Delta P^L_i\), ilgili düğüme eklenen yükü; \(\phi_i\), əsas güç faktörü açısını göstərir.

Yenilənebilir enerji və depolama

Fotovoltaik üretim, küresel üretim çarpanı, zaman profili və düğüm düzeyindeki kapasite eklemeleriyle ölçeklenmektedir. Rüzgâr üretimi de əsas kullanılabilirlik profiline və ek kapasitelere bşəbəkəlıdır. Profiller sabit təsadüfi toxumlarla değişkenleştirilərek eyni deneyin yeniden üretiləbilmesi amaçlanmıştır.

Enerji depolama sistemleri; şarj və deşarj güç sınırları, vərimlilikler və minimum–maksimum doluluk durumu üzərindən zamanlar arası bşəbəkəlı mənbəlar kimi modellenmiştir.

Elektrikli araç və V2G modeli

Elektrikli araç bataryasının bir sonraki zaman adımındaki enerjisi şu tənlikle güncellenmektedir:

\[ E_{v,t+1}=\operatorname{clip}\left(E_{v,t}+\eta_c[P^{EV}_{v,t}]^+\Delta t-\frac{[-P^{EV}_{v,t}]^+}{\eta_d}\Delta t,\ 0,\ E^{max}_v\right) \]

Pozitif \(P^{EV}_{v,t}\) şarjı, negatif değer şebekeye enerji vərilmesini göstərir. \(\eta_c\) və \(\eta_d\), şarj və deşarj vərimleridir. Bir istasyondaki toplam elektrik nəqliyyat vasitəsi gücü, bşəbəkəlı araçların güçlerinin toplamıdır:

\[ P^{EV}_{s,t}=\sum_{v\in V_{s,t}}P^{EV}_{v,t} \]

Geliş və ayrılış zamanları, ilk doluluk, hedef enerji və şarj talebi sabit tohumlarla oluşturulmuştur. Bu sayede V2G desteği və şarj memnuniyeti eyni senaryo üçünde değerlendiriləbilmektedir.

SOP və NOP tabanlı topologiya esnekliği

İki düğümü bşəbəkəlayan bir yumuşak açık noktada aktif güç dengesi şu şekilde kurulmaktadır:

\[ P^{SOP}_{i,t}+P^{SOP}_{j,t}+P^{loss}_{k,t}=0 \]

Her dönüştürücü ucunda görünür güç sınırı uygulanmaktadır:

\[ (P^{SOP}_{i,t})^2+(Q^{SOP}_{i,t})^2\leq(S^{max}_k)^2 \]

SOP, iki uç arasında aktif güç aktarırken her uçta bşəbəkəımsız reaktif güç desteği sşəbəkəlayabilmektedir.

NOP tabanlı yeniden konfiqurasiyada denetleyicinin rastgele hat açıp kapatmasına izin vərilmemiştir. Bunun yerine radyal yapıyı və bşəbəkəlantıyı koruduğu əvvəlden doğrulanmış yasal topologiya planlarından biri ScenarioConfig aşamasında seçilmektedir. Bu tasarım adalaşma və ya çevrimli topologiya gibi çözücüye uygun olmayan yapıların oluşmasını engellemektedir.

Denetleyici eylemleri fiziki sınırlara nasıl uyarlanmıştır?

Pekiştirmeli öğrenme alqoritmsının ürettiği ham eylem doğrudan cihazlara uygulanmamaktadır. Eylem, mevcut şebeke və cihaz durumuna bşəbəkəlı tədqiqat alanına izdüşürülmektedir:

\[ a_t=\Pi_{\Omega(x^{sc}_t)}(u_t) \]

\(u_t\), ham alqoritm çıktısını; \(a_t\), uygulanabilir fiziki komutu; \(\Omega(x^{sc}_t)\), o anda geçerli cihaz tədqiqat alanını göstərir.

Bu aşamada:

• Şebekeye bşəbəkəlı olmayan elektrik nəqliyyat vasitələriın eylemleri maskelenir.
• Şarj və V2G güçleri batarya və istasyon sınırlarına kırpılır.
• Depolama eylemleri doluluk durumuna görə sınırlandırılır.
• Devre dışı SOP uçları sıfırlanır.
• SOP komutları dönüştürücü görünür güç sınırına izdüşürülür.

Düğüm düzeyindeki net güç enjeksiyonu

Pozitif değer şebekeye net üretim kimi kabul edildiğinde düğümdeki aktif güç enjeksiyonu şöyledir:

\[ P^{net}_{i,t}=P^G_{i,t}+P^{PV}_{i,t}+P^W_{i,t}+\sum_{e\in E_i}(P^{dis}_{e,t}-P^{ch}_{e,t})-P^L_{i,t}-\sum_{s\in S_i}P^{EV}_{s,t}+P^{SOP}_{i,t} \]

Denklem; geleneksel üretim, fotovoltaik, rüzgâr, depolama, yük, elektrik nəqliyyat vasitəsi və SOP etkilərini eyni düğüm dengesi üçünde toplamaktadır.

İki aşamalı güc axını doğrulaması

Birinci aşama: doğrusal DistFlow

Radyal şebekede aktif və reaktif kol axınları şu dengelerle hesaplanmaktadır:

\[ P_{ij,t}-\sum_{h:(j,h)\in\mathcal{L}^{act}_t}P_{jh,t}=-P^{net}_{j,t} \]

\[ Q_{ij,t}-\sum_{h:(j,h)\in\mathcal{L}^{act}_t}Q_{jh,t}=-Q^{net}_{j,t} \]

Doğrusallaştırılmış gerilim düşümü ise şöyledir:

\[ v_{j,t}=v_{i,t}-2(r_{ij}P_{ij,t}+x_{ij}Q_{ij,t}) \]

\(v_i\) və \(v_j\), gerilim büyüklüklerinin karelerini; \(r_{ij}\) və \(x_{ij}\), hat direnci və reaktansını göstərir.

İşletme noktası; şebekeden enerji alım maliyeti, üretim maliyeti, depolama maliyeti, SOP kaybı və rəqəmsal uygulanabilirlik üçün istifadə olunan ceza terimleriyle belirlenmektedir:

\[ \min\ C^{grid}_t+C^{gen}_t+C^{ESS}_t+C^{SOP}_t+\lambda_s\phi^{slack}_t+\lambda_{sop}\phi^{sop}_t+\lambda_{nop}\phi^{nop}_t \]

Gevşeklik değişkenleri aşırı və ya keşif amaçlı eylemlerde çözülebilirliği korumak üçün kullanılmaktadır. Bu nedenle doğrusal çözümün bulunması, her işletme durumunun cezasız və ya tam anlamıyla fiziki kimi ideal olduğu anlamına gelmemektedir.

İkinci aşama: OpenDSS AC doğrulaması

DistFlow ilə bulunan tədqiqat durumu daha sonra OpenDSS kullanılarak doğrusal olmayan AC güc axınında qiymətləndirilmişdir. Bu aşama gerilimleri, kol axınlarını, şebeke kayıplarını və çözücü yakınsamasını güncellemektedir.

OpenDSS nəticələrı ödül fonksiyonuna və deney kayıtlarına aktarılmaktadır. Mevcut zaman adımının eylem sonrasında oluşan gerilim və kol axınları, eylem seçilmeden əvvəl gözleme eklenmemiştir. Böylece denetleyicinin henüz gerçekleşmemiş bir güc axını sonucunu görmesiyle oluşabiləcek nedensellik dışı bilgi sızıntısı önlenmiştir.

Pekiştirmeli öğrenme gözlem uzayı

Denetleyicinin eylem əvvəlsinde gördüğü durum vəktörü şu biçimdedir:

\[ o_t=[\tau_t,\pi_t,P^L_t,Q^L_t,P^{RW,av}_t,SOC^{ESS}_t,m^{EV}_t,SOC^{EV}_t,\delta^{dep}_t,d^{EV}_t] \]

Vektör; zamanı, varsa elektrik fiyatını, aktif və reaktif yükleri, kullanılabilir fotovoltaik və rüzgâr gücünü, depolama doluluğunu, elektrik nəqliyyat vasitəsi bşəbəkəlantı durumunu, araç batarya seviyesini, ayrılışa kalan zamanı və karşılanmamış şarj ihtiyacını içermektedir.

Eylem uzayı

Etkin cihazlara görə uyarlanan birleşik eylem vəktörü şöyledir:

\[ a_t=[a^{EV}_t,a^{ESS}_t,a^{PVW}_t,a^{SOP,P}_t,a^{SOP,Q1}_t,a^{SOP,Q2}_t] \]

Eylemler sırasıyla elektrik nəqliyyat vasitəsi şarjı və V2G gücünü, depolama şarj-deşarjını, bərpa olunan enerji məhdudlaşdırılmasını, SOP aktif güç aktarımını və iki uçtaki reaktif güç komutlarını kontrol etmektedir. NOP topologiyasi çevrim içi bir RL eylemi deyil; deney başlamadan əvvəl geçerli planlardan biri seçilmektedir.

Ödül fonksiyonu

Varsayılan ödül ekonomik işletme, gerilim güvənliği, elektrik nəqliyyat vasitəsi hizmeti və çözücü yakınsamasını birleştirmektedir:

\[ r_t=-\lambda_cC_t-\lambda_vV^{vio}_t-\lambda_eE^{short}_t-\lambda_uU^{EV}_t-\lambda_oI^{fail}_t \]

\(C_t\), işletme maliyetini; \(V^{vio}_t\), gerilim ihlalini; \(E^{short}_t\), araç ayrılırken karşılanmamış enerjiyi; \(U^{EV}_t\), kalan park süresine görə şarj açığını; \(I^{fail}_t\), OpenDSS yakınsamama durumunu cezalandırmaktadır.

Yenilənebilir enerji məhdudlaşdırılması və kol axınları kayıt altına alınmakla birlikte varsayılan ödülde ayrı və açık terimler kimi yoxdur. Bu tercih, bir alqoritmnın təlim ödülünde iyi görünürken yenilənebilir kullanım, şebeke kaybı və ya başka bir fiziki ölçütte daha zayıf kalabilmesinin nedenlerinden biridir.

Doğal dil konfiqurasiya deneyi

Doğal dil testi sekiz kategoride, kategori başına 25 olmak üzere toplam 200 komuttan oluşmuştur:

• Küresel üretim və ya yük çarpanları,
• Düğüm düzeyi değişiklikler,
• Cihaz kullanılabilirliği,
• Zamana bşəbəkəlı profil ayrıştırması,
• Eğitim və ya qiymətləndirmə modu,
• Scenario Skill amaç tanıma,
• Birden fazla alqoritmnın karşılaştırılması,
• Birden fazla isteği birleştiren karma konfiqurasiyalar.

Bütün LLM destekli deneylerde təbii dil arka ucu kimi DeepSeek-V4-Flash istifadə edilmişdir. Üç iş axını karşılaştırılmıştır:

• A1: Doğal dilden doğrudan bütün ScenarioConfig obyektsini üretme.
• A2: Artımlı Delta Command kullanma.
• A3: Delta Command'a ek kimi Scenario Skill erişimi, durum farkındalıklı birleştirme, genel doğrulama, beceri doğrulaması və deney kaydı.

A1'in sahə dəqiqliyi yüksək görünmesine rşəbəkəmen komanda dəqiqliyi və çalıştırılabilirliği aşşəbəkəıtür. Bu nəticə tek tek alanlarda makul değerler üretmenin bütün konfiqurasiyanın eksiksiz və tutarlı olduğu anlamına gelmediğini göstərir.

A2, komanda dəqiqliyinu %52,5'ten %91,0'a çıkararak artımlı düzenlemenin yararını göstərmişdir. A3 ise karma və bşəbəkəlama bşəbəkəlı görəvlerde daha dengeli nəticə üretmiştir. A3'ün geçerlilik oranı A2'den 1,5 yüzde puanı aşşəbəkəı olsa da bunun nedeni daha gevşek değil, daha sıkı tam iş axını kontrolüdür.

Görev kategorilərine görə doğruluk

Isı haritasında A1 basit düğüm və cihaz görəvlerinde %100'e ulaşmış; ancak çok alqoritmlı karşılaştırmada %0, Scenario Skill amaç tanımada %24, təlim-qiymətləndirmə seçiminde və karma konfiqurasiyada %32'de kalmıştır.

A2, zaman profili və təlim modu gibi alanlarda %100'e ulaşmış; fakat çok alqoritmlı karşılaştırmada %64 və karma konfiqurasiyada %80 sşəbəkəlamıştır.

A3 şu nəticələrı vərmiştir:

• Düğüm değişikliği: %100,
• Cihaz kullanılabilirliği: %100,
• Eğitim və ya qiymətləndirmə modu: %100,
• Karma konfiqurasiya: %100,
• Zaman profili ayrıştırması: %96,
• Çok alqoritmlı karşılaştırma: %96,
• Scenario Skill amaç tanıma: %88,
• Küresel çarpan ayarı: %88.

GridSage’in asıl katkısı basit sayı doldurma görəvlerinden çok, birden fazla alanın və örtük senaryo amacının birlikte yorumlanması gereken komutlarda ortaya çıkmıştır.

Güvənlik doğrulama deneyi

Güvənlik testi 76 konfiqurasiyadan oluşmuştur. Bunların 40'ı kesin xətalı, 36'sı ise çalıştırılabilir, riskli və ya normal senaryolardır. Kesin xəta kategoriləri şunlardır:

• Desteklenmeyen şebeke modeli,
• Geçersiz simulyasiya süresi,
• Geçersiz zaman adımı,
• Desteklenmeyen alqoritm modu,
• Sınır dışı küresel çarpan,
• Var olmayan düğüm,
• Aşırı düğüm düzeyi değişiklik.

B1 bütün kesin xətaları kabul etmiştir. B2 bütün kesin xətaları çalıştırılmadan əvvəl durdurmuş və yedi xəta sınıfının tamamını kapsamıştır. B3 eyni kesin təhlükəsizlik başarısını korurken çalıştırılabilir fakat senaryo amacı bakımından riskli örneklerin %80'ine müdahale etmiştir. Normal senaryolarda yanlış uyarı gözlenmemiştir.

Bu test, dil modelinin güvənilirliğinin yalnızca doğru komut üretme oranıyla ölçülmemesi gerektiğini göstərir. Hatalı komutların fiziki çözücüye ulaşmadan engellenmesi və bilinçli stres testleriyle gerçek xətaların ayrılması ayrıca değerlendirilmelidir.

Yüksek fotovoltaik üretim və aşşəbəkəı yük senaryosu

Pekiştirmeli öğrenme deneyi IEEE 33 düğümlü şebekede yürütülmüştür. Temel ayarlar şöyledir:

• Fotovoltaik üretim çarpanı: 2,0,
• Yük çarpanı: 0,7,
• Elektrikli araç çarpanı: 1,0,
• Simülasyon süresi: 24 saat,
• Zaman adımı: 60 dakika,
• Eğitim süresi: 200.000 adım,
• Algoritmalar: SAC, TD3, DDPG və PPO,
• Değerlendirme tohumu: üç təsadüfi toxum,
• Optimizasyon referansı: Gurobi tabanlı denetleyici.

Bütün denetleyicilər eyni ScenarioConfig, cihaz durumu, zaman ufku, ödül şəbəkəırlıkları, normalizasyon, təsadüfi toxumlar və iki aşamalı güc axını doğrulaması altında karşılaştırılmıştır.

Eğitim eğriləri ne göstərmişdir?

Eğitim grafiğinde SAC təxminən 70.000–100.000 adım aralığında hızlı bir iyiləşme göstermiş və təlim sonunda öğrenilən alqoritmlar arasındaki ən yüksək ortalama bölüm ödülüne ulaşmıştır. TD3 erken dönemde hızlı ilərlemiş, daha sonra daha kademeli bir gelişim göstərmişdir. DDPG daha yavaş fakat sürekli iyiləşmiştir. PPO ise başlangıç seviyesinden sınırlı ölçüde uzaklaşmış və diğer alqoritmlardan belirgin biçimde aşşəbəkəı ödülde kalmıştır.

Bu nəticələr yalnızca istifadə olunan durum, eylem, ödül şəbəkəırlıkları, hiperparametreler və yüksək-PV aşşəbəkəı-yük senaryosu üçün geçerlidir. Eğitim eğrisinin yüksək olması, bir alqoritmnın bütün şebeke koşullarında üstün olduğunu göstermemektedir.

Fiziksel işletme nəticələrı

Toplam amaç yalnızca parasal maliyet deyil; işletme maliyetlerini və ceza biləşenlerini birleştirmektedir. Bu nedenle küçük değer daha iyi toplu performans anlamına gelmektedir.

Gurobi tabanlı referans bütün öğrenilmiş denetleyicilərden daha iyi nəticə vərmiştir. SAC'ın toplam amaç değeri referanstan təxminən %2,5 daha yüksək olmakla birlikte öğrenilmiş alqoritmlar arasındaki ən aşşəbəkəı değerdir. SAC bu nedenle maliyet və ceza biləşenlerini en dengeli birleştiren RL denetleyicisi kimi qiymətləndirilmişdir.

TD3, RL metodleri arasında ən yüksək gərginlik uyğunluğuna və ən aşşəbəkəı bərpa olunan enerji məhdudlaşdırılmasına ulaşmıştır; ancak toplam amaç değeri SAC və DDPG'dən yüksəktir. Bu durum elektrik nəqliyyat vasitəsi hizmeti və diğer ceza biləşenlerinin de toplu sonucu etkilədiğini göstərir.

DDPG'nin toplam amaç değeri TD3'tən aşşəbəkəı, gərginlik uyğunluğu ise TD3'ten daha aşşəbəkəıtür. Şekil 7'de DDPG, öğrenilmiş denetleyicilər arasında ən yüksək elektrik nəqliyyat vasitəsi şarj memnuniyetini göstərir.

PPO hem aşşəbəkəı yenilənebilir kullanım hem yüksək kısıntı hem de aşşəbəkəı gərginlik uyğunluğu nedeniyle diğer denetleyicilərden belirgin biçimde kötü nəticə vərmiştir. Ancak bu nəticə PPO alqoritmsının genel kimi dşəbəkəıtım şebekeleri üçün uygun olmadığını kanıtlamaz; yalnızca bu uygulama, ayarlar və təlim bütçesi altında zayıf uyum sşəbəkəladığını göstərir.

Şarj memnuniyeti, maliyet və şebeke kaybı grafikleri

Üç tohumdan elde edilən kutu grafikleri denetleyicilərin ortalamalarını və tohumlar arası dispersiyaını göstərir. Gurobi tabanlı referans ən yüksək elektrik nəqliyyat vasitəsi şarj memnuniyetine və ən aşşəbəkəı şebeke kaybına sahiptir. Öğrenilmiş denetleyicilər arasında:

• DDPG ən yüksək elektrik nəqliyyat vasitəsi şarj memnuniyetini,
• TD3 ən aşşəbəkəı şebeke kaybını,
• SAC maliyet, kayıp və şarj hizmeti arasında daha dengeli bir sonucu,
• PPO ən aşşəbəkəı şarj memnuniyetini və ən yüksək maliyeti göstərmişdir.

Tədqiqatda bu kutu grafikleri üçün hipotez testi, güvən aralığı və ya alqoritmlar arasındaki farkların istatistiksel anlamlılığı raporlanmamıştır. Üç təsadüfi toxum, eğilimleri göstermek üçün kullanılabilir; ancak alqoritmların kesin sıralaması üçün sınırlı bir örneklem büyüklüğüdür.

Tədqiqatnın desteklediği nəticələr

• Doğal dil komutlarını artımlı və yapılandırılmış değişikliklere dönüştürmek, bütün konfiqurasiyayı tek seferde üretmekten daha güvənilir nəticə vərmiştir.
• Scenario Skill erişimi və durum farkındalıklı doğrulama, özellikle çok alanlı və karma komutlarda doğruluğu yükseltmiştir.
• Kesin kısıt doğrulaması, desteklenmeyen və ya fiziki sınırları aşan senaryoların simulyasiyaa ulaşmasını engelleyebilmiştir.
• Semantik doğrulama, teknik kimi çalıştırılabilir fakat yüksək risk taşıyan senaryoları ayrıca işaretleyebilmiştir.
• Doğrulanan ScenarioConfig, kapalı çevrim bir möhkəmləndirməli öyrənmə deneyine və fiziki ölçütlerle alqoritm karşılaştırmasına dönüştürülebilmiştir.
• Tek bir təlim ödülü, şebeke denetleyicisinin gerilim, yenilənebilir kullanım, EV hizmeti və kayıp davranışını bütünüyle açıklamamıştır.

Tədqiqatnın kanıtlamadığı noktalar

• GridSage gerçek bir paylayıcı şəbəkənde çevrim içi kimi uygulanmamıştır.
• Dil modelinin şebeke işletme kararlarını bşəbəkəımsız biçimde və doğrudan vərmesi güvənli bulunmuş deyil; LLM yalnızca konfiqurasiya katmanında istifadə edilmişdir.
• %96 komanda dəqiqliyi bütün təbii dil biçimleri, diller və ya şebeke senaryoları üçün genel bir başarı oranı deyil.
• Güvənlik testi bütün olası fiziki və siber xəta növlərini kapsamamaktadır.
• IEEE 33 düğümlü tek RL deneyi, platformun daha büyük gerçek şebekelerde eyni başarıyla ölçekleneceğini kanıtlamaz.
• SAC'ın bu deneyde en iyi RL toplam amacını vərmesi, bütün aktif paylayıcı şəbəkə problemlerinde en iyi alqoritm olduğunu göstermez.
• Gurobi referansının nəticələrı gerçek işletme optimumu kimi yorumlanmamalıdır; nəticələr istifadə olunan model, gevşeklik değişkenleri, amaç fonksiyonu və çözücü varsayımlarına bşəbəkəlıdır.
• Üç təsadüfi toxum, geniş kapsamlı alqoritm genellemesi üçün yeterli deyil.

Tədqiqatnın güclü tərəfləri

• Dil modeli ilə fiziki simulyasiya arasında açık bir təhlükəsizlik sınırı kurulmuştur.
• Senaryo değişiklikleri artımlı və izlenebilir komutlar hâlinde tutulmuştur.
• Doğal dil doğruluğu, fiziki təhlükəsizlik və RL performansı ayrı deneylerle qiymətləndirilmişdir.
• 200 örnekli konfiqurasiya testi basit və karma görəvleri birlikte içermektedir.
• Güvənlik testinde kesin xətalar ilə çalıştırılabilir riskler ayrılmıştır.
• Doğrusal DistFlow və OpenDSS AC çözümü iki aşamalı fizik kapısı kimi istifadə edilmişdir.
• Mevcut zaman adımına ait eylem sonrası şebeke nəticələrı gözlemden çıkarılarak nedensellik dışı bilgi sızıntısı önlenmiştir.
• RL alqoritmları eyni ScenarioConfig və tohum protokolünde karşılaştırılmıştır.
• Yazılım kodu və örnek konfiqurasiyalar açık bir GitHub deposunda paylaşılmıştır.

Tədqiqatnın məhdudiyyətləri

• Tədqiqat hakem qiymətləndirməsindən keçməmiştir.
• Scenario Skill kitaplığı elle hazırlanmıştır və sınırlı sayıda senaryo tipini kapsamaktadır.
• Ana RL deneyi yalnızca IEEE 33 düğümlü tek bir yüksək-PV aşşəbəkəı-yük senaryosunda yapılmıştır.
• RL qiymətləndirməsi üç təsadüfi toxumla sınırlıdır.
• Hiperparametre duyarlılığı və eşit hesablama bütçesinin ayrıntıları sınırlı sunulmuştur.
• Scenario Skill puan şəbəkəırlıkları və erişim eşiği açıklanmamıştır.
• Ödül şəbəkəırlıklarının rəqəmsal değerleri ana nəticələrın yorumlanmasını zorlaştırmaktadır.
• Yenilənebilir enerji məhdudlaşdırılması varsayılan ödülde açık bir terim deyil.
• Gevşeklik değişkenleri aşırı koşullarda çözülebilirliği korusa da fiziki ihlallerin bir bölümünü ceza terimine dönüştürebilir.
• NOP topologiyasi çevrim içi RL tarafından seçilmemekte, əvvəlden belirlenmiş plan kimi uygulanmaktadır.
• Gerçek zamanlı donanım, saha vərisi, operatör deneyi və ya dşəbəkəıtım şirketi uygulaması yoxdur.
• Doğal dil benchmarkının komutları, etiketleme metodi və dilsel çeşitliliği bşəbəkəımsız bir vəri seti kimi ayrıntılı biçimde sunulmamıştır.
• Verilərin istek üzerine paylaşılacşəbəkəı belirtilmiş; deney nəticələrının tamamı kalıcı bir vəri arşivinde sunulmamıştır.

Türkiyə açısından neden mühümdir?

Türkiyə’de çatı və arazi tipi güneş enerjisi santralleri, elektrik nəqliyyat vasitəsi şarj istasyonları, enerji saxlanması sistemleri və çift yönlü güç axınları paylayıcı şəbəkə planlamasını giderek karmaşıklaştırmaktadır. Farklı üretim, yük, depolama və araç senaryolarının hızla oluşturulması; dşəbəkəıtım şirketleri, ünivərsiteler və enerji teknolojisi geliştiriciləri üçün mühüm bir tədqiqat ihtiyacıdır.

GridSage’in Türkiyə’ye doğrudan aktarılabiləcek yönü, belirli bir Çin şebekesine ait nəticələrdan çok senaryo konfiqurasiya və doğrulama mimarisidir. Benzer bir sistem Türkiyə üçün geliştirildiğinde:

• Türkiyə’de istifadə olunan paylayıcı şəbəkə modelleri və gerilim seviyeleri Scenario Skill kitaplığına eklenebilir.
• EPDK və dşəbəkəıtım şirketlerinin teknik kalite sınırları doğrulama kurallarına dönüştürülebilir.
• Güneş üretimi, elektrik nəqliyyat vasitəsi şarjı, depolama və bölgesel yük profilleri təbii dil komutlarıyla tanımlanabilir.
• Yüksek güneş üretimi, aşşəbəkəı gündüz yükü, ters güc axını və aşırı gerilim senaryoları otomatik oluşturulabilir.
• Farklı kontrol alqoritmları eyni konfiqurasiya parmak izi və tohumlarla adil biçimde karşılaştırılabilir.
• Operatörün təbii dilde vərdiği talimatın hangi parametreleri değiştirdiği və hangi təhlükəsizlik kontrollerinden geçtiği kayıt altında tutulabilir.

Böyle bir uygulama gerçek şebeke işletmesine bşəbəkəlanmadan əvvəl yerel güc axını modelleri, koruma sistemi kısıtları, vəri güvənliği, kullanıcı yetkiləndirmesi, siber təhlükəsizlik, insan onayı və donanım döngülü testlerle doğrulanmalıdır. Tədqiqat, otonom şebeke işletme sistemi değil; güvənli və tekrarlanabilir tədqiqat senaryoları üretmeye yönelik bir prototip sunmaktadır.

Tədqiqatın Metodu və Nəticələri

Tədqiqat tasarımının özeti

Doğal dil testinden çıkan əsas nəticələr

• Tam GridSage metodi %96,0 komanda dəqiqliyina ulaşmıştır.
• Alan doğruluğu %96,12, geçerlilik oranı %98,0 və icraya hazır olma oranı %96,0'dır.
• Ortalama düzeltme turu doğrudan üretimde 2,70 iken GridSage’de 0,35'e düşmüştür.
• Doğrudan tam konfiqurasiya üretimi tek alanlarda başarılı olsa da karma komutlarda belirgin biçimde başarısız olmuştur.
• Artımlı komut gösterimi tek başına komanda dəqiqliyinu %52,5'ten %91,0'a yükseltmiştir.
• Scenario Skill və tam doğrulama eklendiğinde çok alqoritmlı karşılaştırma doğruluğu %64'ten %96'ya, karma konfiqurasiya %80'den %100'e çıkmıştır.

Güvənlik testinden çıkan əsas nəticələr

• Doğrulamasız metod kesin xətaların tamamını yanlışlıkla kabul etmiştir.
• Genel doğrulayıcı 40 kesin xətanın tamamını engellemiştir.
• Yanlış kabul oranı %100'den %0'a düşmüştür.
• Yedi kesin xəta kategorisinin tamamı kapsanmıştır.
• Scenario Skill doğrulaması riskli fakat çalıştırılabilir örneklerin %80'ine müdahale etmiştir.
• Semantik kimi normal örneklerde yanlış uyarı bildirilmemiştir.

RL deneyinden çıkan əsas nəticələr

• Gurobi tabanlı referans 96.091,90 ilə ən aşşəbəkəı toplam amaç değerini vərmiştir.
• SAC, 98.476,50 ilə RL alqoritmları arasında en iyi toplam amacı elde etmiştir.
• TD3, RL metodleri arasında %96,59 ilə ən yüksək gərginlik uyğunluğunu sşəbəkəlamıştır.
• TD3'ün yenilənebilir kullanım oranı %94,66, kısıntısı 4.726,24 kWh olmuştur.
• DDPG, kutu grafiklerinde öğrenilmiş denetleyicilər arasındaki ən yüksək EV şarj memnuniyetini göstərmişdir.
• PPO'nun yenilənebilir kullanım oranı %59,77'ye düşmüş və kısıntı 35.799,07 kWh'a yükselmiştir.
• Hiçbir RL denetleyicisi Gurobi referansının %100 yenilənebilir kullanım və sıfır kısıntı sonucuna ulaşamamıştır.

Şekil və tablo qiymətləndirməsi

Yeniden üretiləbilirlik qiymətləndirməsi

Tədqiqatnın olumlu yönü, kullanıcı komutu, seçilən beceri, artımlı değişiklikler, ScenarioConfig durumu, doğrulama çıktıları, təsadüfi toxumlar və simulyasiya nəticələrının kaydedilmesini hedeflemesidir. Gymnasium uyumlu arayüz dış alqoritmların eyni fiziki ortamda çalıştırılmasına olanak tanımaktadır.

Yazarlar GridSage mənbə kodunu GitHub üzərindən paylaşmıştır. Depoda ön və arka uç uygulaması, konfiqurasiya şemaları, doğrulama kodu, Scenario Skill örnekleri və simulyasiya arayüzü vardır. Bununla birlikte makalenin deneylerinde istifadə olunan bütün komut benchmarkları, eğitilmiş modeller, nəticə günlükleri və ham qiymətləndirmə vəriləri kalıcı bir vəri paketi kimi sunulmamıştır. Veri erişimi “istek üzerine” kimi belirtilmiştir.

Scenario Skill eşleştirme şəbəkəırlıkları, erişim eşiği, ödül şəbəkəırlıkları və bazı alqoritm hiperparametrelerinin eksikliği de tam rəqəmsal yeniden üretimi zorlaştırmaktadır. Açık kod erişimi bu eksikliği kısmen azaltabilir; ancak yayımlanan makalenin tek başına bütün deney ayarlarını yeniden kurmaya yeterli olduğu gösterilmemiştir.

Mənbə və Metod Qeydi

• Tədqiqatnın tam özgün adı: GridSage: A Skill-Grounded LLM Platform for Scenario-Oriented Reinforcement Learning Evaluation in Distribution Networks
• Yazarlar və sıraları: Yilin Ge; Tao Qian; Hao Li; Qinran Hu; Zhenya Ji
• Eş katkı və ya eş birinci yazarlık: Belirtilmemiştir.
• Sorumlu yazar: Tao Qian
• Sorumlu yazar e-postası: Tədqiqatda belirtilmemiştir.
• Kurum 1: NARI School of Electrical and Automation Engineering, Nanjing Normal Univərsity, Nanjing, Çin
• Kurum 2: School of Electrical Engineering, Southeast Univərsity, Nanjing, Çin
• DOI: 10.2139/ssrn.6944964
• Yayın platformu: SSRN
• Platform işletmecisi: Elsevier
• Hakemli dergi: Kabul edilmiş və ya yayımlanmış bir hakemli dergi adı belirtilmemiştir.
• Yayın tarihi: 15 Haziran 2026
• Kaynak türü: Yazılım platformu, güç sistemi simulyasiyau və möhkəmləndirməli öyrənmə deneyleri içeren preprint
• Hakemlik durumu: Tədqiqat hakem qiymətləndirməsindən keçməmiştir.
• Resmî tədqiqat bşəbəkəlantısı:SSRN tədqiqat sayfası
• DOI bşəbəkəlantısı:10.2139/ssrn.6944964
• Resmî yazılım deposu:GridSage GitHub deposu

Yazar katkıları tədqiqatda şu şekilde vərilmiştir: Yilin Ge özgün taslak, metod və biçimsel analiz; Tao Qian inceleme, düzenleme və danışmanlık; Hao Li inceleme, metod və kavramsallaştırma; Qinran Hu inceleme və düzenleme; Zhenya Ji inceleme, düzenleme və doğrulama görəvlerini üstlenmiştir.

Tədqiqat, National Natural Science Foundation of China tarafından U24B2081 numaralı destek kapsamında kısmen finanse edilmişdir. Yazarlar bilinen bir mali çıkar çatışması və ya tədqiqatyı etkiləyebiləcek kişisel ilişki bulunmadığını beyan etmiştir. Verilərin makul talep üzerine paylaşılacşəbəkəı belirtilmiştir.

Bu Türkçe açıklama; tədqiqatnın metni, formülleri, alqoritm gösterimleri, sistem mimarisi, təbii dil örnekleri, təhlükəsizlik doğrulama axınları, təlim eğriləri, kutu grafikleri və nəticə tabloları incelenerek hazırlanmıştır. Tədqiqatda bulunmayan yeni bir şebeke sonucu, yapay zekâ başarısı və ya gerçek saha uygulaması eklenmemiştir. Dış mənbəlar yalnızca tədqiqat kimliği, DOI, yayın platformu, hakemlik durumu və yazılım deposunun doğrulanması amacıyla istifadə edilmişdir.

Tədqiqatnın nicel nəticələrı 200 komutluk təbii dil benchmarkına, 76 konfiqurasiyalık təhlükəsizlik testine və IEEE 33 düğümlü tek bir ana möhkəmləndirməli öyrənmə senaryosuna dayanmaktadır. Sonuçlar doğrudan gerçek paylayıcı şəbəkə işletme performansı kimi yorumlanmamalıdır. Platformun pratik istifadəsi üçün fərqli şebeke ölçekleri, Türkiyə’ye özgü teknik sınırlar, gerçek yük və üretim profilleri, daha fazla təsadüfi toxum, operatör testleri, siber təhlükəsizlik kontrolleri və donanım döngülü doğrulama gereklidir.