Bu tədqiqat, yük atma sırasında elektrik şəbəkəsinin yapısı dəqiqəlar içinde değişirken istehsal vahidlərinin ne kadar güç sşəbəkəlayacşəbəkəını yeniden belirlemek amacıyla qərar yönümlü, uyğunlaşan bir süni intellekt çerçevesi önermektedir. Model; 2015-2021 dönemi eğitim veriləri, 2022-2025 dönemine ait 904 günlük dəyərlendirme paneli, variasion avtomatik kodlayıcı tabanlı anomaliya aşkarlanması, parametre uzayında Jacobian önem puanı ve bioenerji-batareya eş optimizasyonunu bir araya getirmektedir. Çalışma, önerilen yöntəmin model öngörülü kontrole göre toplam paylanma maliyyətini faiz 23,4 azalttığını, tam model eğitimine yakın nəticələrı 4,2 dəqiqəlık uyğunlaşma müddətiyle ürettiğini ve yaklaşan nasazlıqları ortalama 41,5 dəqiqə önceden faiz 91,7 oranında tespit ettiğini bildirmektedir. Bununla birlikte çalışma rəyçi dəyərləndirməsindən keçməmiş bir preprintdir; əsas SCADA veriləri kamuya açık deyil, nəticələrın belirsizlik aralıkları verilmemiştir ve bazı ekonomik, aritmetik ve boyutsal nəticələr PDF’deki bilgilerle bşəbəkəımsız olarak yeniden üretilememektedir.

Çerçevenin əsas düşüncesi, şebekede sıra dışı bir durum ortaya çıktığında süni intellekt modelinin bütün parametrelerini saatler boyunca yeniden eğitmek yerine yalnızca dşəbəkəıtım hatasından en fazla sorumlu olan küçük parametre grubunu güncellemektir. Normal işletmede parametrelerin faiz 3’ü, əsas alarm durumunda təxminən faiz 6’sı ve hızla kötüleşen olaylarda en fazla faiz 15’i güncellenmektedir. Böylece sistemin değişmeyen bölümlerine ilişkin öğrenilmiş bilgiler korunurken, yük atma nedeniyle değişen topolojiye daha hızlı uyum sşəbəkəlanması hedeflenmektedir.

Çalışma ayrıca güneş, bioqaz, termik yedek üretim ve batareya depolamasını ortak bir maliyet fonksiyonu içinde düzenlemektedir. Biyogazın mevsimsel kullanılabilirliği Beta dşəbəkəılımıyla, batareya yıpranması deşarj derinliğine bşəbəkəlı bir ceza fonksiyonuyla ve çöp gazı geliri karbon kredisi modeliyle temsil edilmiştir. Yazar, bu genişletmenin yüksek yenilenebilir enerji payına sahip şebeke kesimlerinde faiz 19,1 ek maliyyət azalması ve batareya takvim ömründe 2,3 yıl uzama sşəbəkəladığını bildirmektedir. Bu dəyərlərin dayandığı ayrıntılı batareya ömür hesapları ve bütün ham deney çıktıları PDF’de sunulmamıştır.

Araştırmanın əsas problemi nedir?

Ekonomik üretim dşəbəkəıtımı (economic dispatch), elektrik talebini karşılamak için hangi üretim biriminin hangi anda ne kadar güç sşəbəkəlayacşəbəkəını belirleme problemidir. Amaç yalnızca talep ile üretimi eşitlemek deyil. Üretim maliyetleri, jeneratör sınırları, frekans ve gərginlik güvenliği, iletim kayıpları, rampalama hızları, depolama durumu ve karşılanamayan enerji gibi çok sayıda şərtun aynı anda dikkate alınması gərəkdir.

Çalışmanın ele aldığı özel durum Güney Afrika’daki yük atma tətbiqsıdır. Yük atma, üretimin talebi karşılayamadığı veya şebeke güvenliğinin tehlikeye girdiği durumlarda belirli tüketim bölgelerinin geçici olarak sistemden çıkarılmasıdır. Bu işlem şebeke topolojisini değiştirir. Önceden öğrenilmiş güc axını ilişkileri, hat bşəbəkəlantıları ve üretim-talep dengeleri birkaç dəqiqə içinde geçerliliğini kaybedebilir.

Yazarın əsas iddiası, geleneksel süni intellekt dşəbəkəıtım modellerinin geçmiş verilərin istatistiksel yapısının gelecekte de aynı kalacşəbəkəını varsaymasıdır. Biyokütle nemi, bioqaz üretimi, kömür santrali nasazlıqları ve yük atma aşamaları birlikte değiştiğinde bu durşəbəkəanlık varsayımı bozulmaktadır. Modelin tamamını yeniden eğitmek ise çalışmada 6,8 saat sürmekte, otomatik üretim kontrolünün beş dəqiqəlık qərar döngüsüne yetişememektedir.

Literatürde hedeflenen boşluk

Çalışma üç literatür alanının kesişimindeki boşluğu hedeflemektedir:

• Biyoenerji mənbəlarının mevsimsel ve günlük dəyişənliği altında iqtisadi istehsal paylanması,
• Şebeke topolojisinin sürekli değiştiği yük atma şərtlərında çevrim içi süni intellekt uyarlaması,
• Altyapı kısıtları bulunan Sahra Altı Afrika elektrik sistemleri.

PDF’de 2015-2025 arasında yayımlanan 156 çalışmaya dayalı bir bibliyometrik grafik sunulmaktadır. Grafikte pekiştirmeli öğrenme dşəbəkəıtımı 62 yayınla en geniş küme, uyğunlaşan yöntəmler 34 yayın, klasik ve model öngörülü yöntəmler 28 yayın, bioenerji odaklı çalışmalar 21 yayın ve Sahra Altı Afrika bşəbəkəlamı 11 yayın olarak gösterilmiştir. Balonların düşey konumu ortalama atıf sayısını, büyüklüğü yayın sayısını temsil etmektedir. Araştırma boşluğu bioenerji, uyğunlaşan öğrenme ve Afrika şebekelerinin kesişiminde tanımlanmıştır.

Bununla birlikte bibliyometrik incelemenin ayrıntılı eleme süreci, yinelenen kayıt kontrolü, çalışma kalitesi dəyərlendirmesi veya tam veri tabanı çıktısı sunulmamıştır. Bu nedenle grafik sistematik derleme düzeyinde değil, araştırma alanını betimleyen bir ön analiz olarak okunmalıdır.

Araştırma soruları ve hipotezler

Çalışmada dört əsas hipotez kurulmuştur:

1. VAS erkən xəbərdarlıq hipotezi: Varyasyonel anomali puanının, geleneksel RMS gərginlik izleme yöntəminden daha erkən xəbərdarlıq sşəbəkəlayacşəbəkəı öne sürülmüştür.
2. Salınım bastırma hipotezi: Seyrek proksimal gradyan güncellemelerinin bioqaz üretim komutlarındaki hızlı ileri-geri dəyişməleri azaltacşəbəkəı ileri sürülmüştür.
3. Aşama şiddeti hipotezi: Yük atma aşaması yükseldikçe uyğunlaşan yöntəmin sabit parametreli modellere karşı avantajının artacşəbəkəı öngörülmüştür.
4. Eksik veri dayanıklılığı hipotezi: SCADA kanallarının faiz 20’si kaybolduğunda toplam performans kaybının dört faiz puanından az kalacşəbəkəı iddia edilmiştir.

PDF bütün hipotezlerin desteklendiğini bildirmektedir. Ancak hipotez nəticələrı çoğunlukla tek bir eksperimental panel üzerindeki nokta tahminlerine dayanmaktadır. Çoklu rastgele başlangıçlar, güven aralıkları, hipotez testleri veya bşəbəkəımsız sahə tekrarları sunulmamıştır.

Karar odaklı amaç fonksiyonu neyi değiştirmektedir?

Geleneksel süni intellekt modelleri çoğunlukla talep veya üretim tahmin hatasını azaltmaya çalışır. Çalışma, küçük bir tahmin hatasının her zaman düşük işletme maliyeti anlamına gelmediğini savunmaktadır. Şebeke topolojisi değiştiğinde benzer büyüklükteki iki tahmin hatası, çok fərqli yakıt, gərginlik veya karşılanamayan enerji maliyetlerine yol açabilir.

Bu nedenle model doğrudan toplam üretim maliyetini ve düzenleyici ihlalleri azaltacak biçimde eğitilmiştir:

\[ \mathcal{L}_{DA}(\theta)=\mathbb{E}_{S}\left[C(P(\theta,S))\right]+\boldsymbol{\lambda}\,\mathbb{E}_{S}\left[\left\|R(P(\theta,S))\right\|_{1}\right] \]

• θ, süni intellekt modelinin parametre vektörüdür.
• S, mevcut şebeke durumu ve SCADA ölçmələridir.
• P(θ,S), modelin istehsal vahidlərine verdiği MW cinsinden güc komandalarıdır.
• C(P), yakıt ve işletme maliyetini temsil eden toplam maliyet fonksiyonudur.
• R(P), frekans, gərginlik ve karşılanamayan enerji ihlallerini içeren vektördür.
• λ, bu ihlallere verilen maliyet şəbəkəırlıklarını göstərir.

Çalışmada frekans sapması için R 50.000/Hz, gərginlik ihlali için R 20.000/faiz puanı ve karşılanamayan enerji için R 1.000.000/MWh ceza şəbəkəırlıkları istifadə edilmişdir. Bu dəyərlərin NERSA şebeke kodundan alındığı belirtilmektedir.

Üretim maliyeti her birim için ikinci dereceden tanımlanmıştır:

\[ C_i(P_i)=a_iP_i^2+b_iP_i+c_i \]

Burada P_i birim i tarafından üretilen aktif gücü, a_i, b_i ve c_i ise yakıt ve işletme maliyet katsayılarını göstərir.

İkili çalışma qərarları nasıl təxminənlaştırılmıştır?

Bir üretim biriminin açık veya kapalı olması normalde ikili bir dəyişəndir. İkili optimizasyon real vaxtlı eğitimde zor olduğundan çalışma bu qərarları sigmoid fonksiyonuyla sürekli hâle getirmiştir. Yaklaşımın maliyet boşluğu şu üst sınırla ifade edilmiştir:

\[ \left|C(P^{*})-C(P^{\sigma})\right|\leq L_C\left\|\delta^{*}-\sigma(v^{c})\right\|_2 \]

\[ L_C=\max_i\left(2a_iP_i^{\max}+b_i\right) \]

P^* özgün ikili problemin, P^σ sigmoid yaklaşımının çözümüdür. δ^* real açma-kapama qərarı, σ(v^c) ise sürekli yaklaşımıdır. Çalışma, Eskom panelindeki ampirik gevşetme boşluğunu toplam maliyetin faiz 0,4’ü olarak bildirmektedir.

Seyrek gradyan uyarlaması nasıl çalışmaktadır?

Önerilen modelin ana yeniliği, dşəbəkəıtım hatası oluştuğunda bütün yapay sinir şəbəkəı parametrelerini güncellemek yerine yalnızca en etkili katman veya parametre bloklarını seçmesidir. Dşəbəkəıtım modelinin parametre bloğuna göre Jacobian matrisi şu şəkilde tanımlanmıştır:

\[ G_k(x;\theta)=\frac{\partial f(x;\theta)}{\partial\theta_k}\in\mathbb{R}^{N\times d_k} \]

Burada f(x;θ) şebeke durumunu üretim komutlarına dönüştüren modeldir. G_k matrisinin her elemanı, belirli bir parametre değiştiğinde belirli bir jeneratörün güç komutunun ne kadar değişeceğini göstərir.

Jacobian geri yayılım zinciriyle hesablanmışdır:

\[ G_k=\frac{\partial f}{\partial a^{(K)}}\frac{\partial a^{(K)}}{\partial a^{(k)}}\frac{\partial a^{(k)}}{\partial\theta_k} \]

a^(k), sinir şəbəkəının k katmanındaki aktivasyon vektörüdür.

Her parametre bloğunun önem puanı iki bileşenin çarpımıdır:

\[ S_k(\theta)=\left\|\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k}\right\|_2\left\|G_k(x;\theta)\right\|_F \]

• İlk terim, parametre bloğunun toplam işletme kaybını ne kadar etkilediğini ölçmektedir.
• İkinci terim, aynı parametre bloğunun real güç dşəbəkəıtım çıktıları üzerindeki duyarlılığını ölçmektedir.
• İki terimin çarpımı, hem maliyetle hem de fiziksel dşəbəkəıtım komutuyla güçlü ilişkisi bulunan parametreleri öne çıkarmaktadır.

En yüksek puanlı r oranındaki bloklar seçilerek güncellenmektedir:

\[ \theta_k\leftarrow\theta_k-\eta\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k},\quad k\in I_r \]

η öğrenme adımı, I_r seçilen parametre blokları kümesidir. Temel alarm durumunda çalışmanın kullandığı oran r = 0,06, yani parametrelerin faiz 6’sıdır.

Uyarlama oranı neden sabit deyil?

Her anomali aynı hızda gelişmediği için çalışma güncellenecek parametre oranını anomali puanının dəyişmə hızına bşəbəkəlamıştır:

\[ \dot{F}(t)=F(x_t;\theta)-F(x_{t-1};\theta) \]

\[ r(t)= \begin{cases} r_{\min}, & F(t)\leq\tau_{95}\\ \min\left(r_{\max},r_0+\kappa\dot{F}(t)\right), & F(t)>\tau_{95} \end{cases} \]

• r_min = 0,03: normal çalışma sırasında faiz 3 güncelleme,
• r₀ = 0,06: əsas alarm güncellemesi,
• r_max = 0,15: felaket niteliğinde unutmayı önlemek için faiz 15 üst sınırı,
• κ = 0,5: doğrulama verisi üzerinde ayarlanan tepki katsayısıdır.

Anomali puanı hızla yükseliyorsa daha fazla parametre güncellenmektedir. Puan yataylaşıyor veya düşüyorsa model daha az müdahale ederek şebekenin etkilenmeyen bölümlerine ilişkin önceki bilgisini korumaktadır.

Proksimal gradyan güncellemesi

Çalışma, seçilen parametrelere L1 cezalı proksimal gradyan adımı tətbiqktadır:

\[ \theta_k^{(t+1)}=\operatorname{prox}_{\eta\lambda\|\cdot\|_1}\left(\theta_k^{(t)}-\eta\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k}\left(\theta^{(t)}\right)\right),\quad k\in I_r \]

L1 cezası büyük parametre sıçramalarını sınırlandırarak modelin dşəbəkəıtım komutlarını bir aralıkta keskin biçimde artırıp sonraki aralıkta azaltmasını önlemeyi amaçlamaktadır. Bu davranış çalışmada “chattering”, yani hızlı komut salınımı olarak adlandırılmıştır.

PDF’de λ sembolü hem NERSA ihlal şəbəkəırlıkları hem de proksimal L1 cezası için kullanılmaktadır. Bu iki rol riyazi olarak fərqlidır. Aynı sembolün iki fərqli parametreyi temsil etmesi tətbiq ve yeniden üretim açısından belirsizlik yaratmaktadır.

Yakınsama teoremi neyi garanti etmektedir?

Çalışmada sunulan teorem, seçilen parametre alt uzayında amaç fonksiyonu L-düzgün ve μ-qüvvəli dışbükey olduğunda doğrusal yaxınlaşma öngörmektedir:

\[ \left\|\theta^{(t+1)}-\theta^{*}\right\|_2^2\leq\left(1-\frac{\mu}{L}\right)^t\left\|\theta^{(0)}-\theta^{*}\right\|_2^2 \]

L gradyanın düzgünlük sabiti, μ güçlü dışbükeylik katsayısı, θ^* ise seçilen sabit alt uzaydaki en iyi çözümdür. Güçlü dışbükeylik olmadığında çalışmada yaxınlaşma hızının O(1/T) düzeyine gerilediği belirtilmektedir.

Bu garanti şərtludur. Kullanılan üç katmanlı sinir şəbəkəı ve varyasyonel kodlayıcı genel olarak dışbükey olmayan modellerdir. PDF, qərar yönümlü kaybın seçilen parametre alt uzayında güçlü dışbükey olduğunu ampirik olarak göstermemektedir. Dolayısıyla teorem bütün sinir şəbəkəının küresel optimuma ulaşacşəbəkəını sübutlamaz; varsayımlar geçerli olduğunda sabit bir alt uzaydaki proksimal optimizasyonun davranışını açıklar.

Varyasyonel anomali puanı nedir?

Şebekenin eğitim sırasında görülen normal durumdan uzaklaşıp uzaklaşmadığını belirlemek için variasion avtomatik kodlayıcı (variational autoencoder, VAE) istifadə edilmişdir. Kodlayıcı, SCADA ölçmələrini 64 boyutlu gizli bir uzayda olasılık dşəbəkəılımına dönüştürmektedir.

Anomali puanı negatif sübut alt sınırına dayanmaktadır:

\[ F(x;\theta)=D_{KL}\left(q(z|x)\|p(z)\right)-\mathbb{E}_{q}\left[\log p(x|z)\right] \]

Kapalı biçimli Kullback-Leibler terimi şöyledir:

\[ D_{KL}[q\|p]=\frac{1}{2}\sum_{j=1}^{64}\left(\mu_j^2+\sigma_j^2-\log\sigma_j^2-1\right) \]

• q(z|x), mevcut SCADA durumunun gizli uzaydaki təxminən dşəbəkəılımıdır.
• p(z), eğitim verisinden öğrenilmiş standart normal önsel dşəbəkəılımdır.
• KL terimi, mevcut şebeke durumunun öğrenilmiş normal durumdan uzaklığını ölçmektedir.
• Yeniden oluşturma terimi, kodlayıcının mevcut SCADA ölçmələrini ne kadar iyi açıklayabildiğini göstərir.

Puan doğrulama kümesindeki dəyərlərin faiz 95’lik eşiği τ₉₅ üzerine çıktığında sistem anomali alarmı vermekte, seyrek güncellemeyi başlatmakta ve komutu insan incelemesi için işaretlemektedir.

Yazar, “serbest enerji” kavramıyla termodinamik bir eşdəyərlik iddia etmediğini özellikle bildirir. Buradaki operasyonel sinyal, VAE’nin negatif ELBO dəyəridir ve dşəbəkəılım kaymasını tespit eden istatistiksel bir anomali puanı olarak kullanılmaktadır.

VAS ile fiziksel şebeke ölçmələri arasındaki ilişki

RMS gərginlik izleme tek bir düğümdeki gərginlik dəyişməini takip ederken VAS frekans eğimleri, bölgeler arası güç axınları, bioqaz kullanılabilirliği ve diğer SCADA kanallarını ortak gizli uzayda dəyərlendirmektedir. Çalışmanın erkən xəbərdarlıq iddiası bu çok dəyişənli yapıya dayanmaktadır.

Model mimarisi

Şekil 2’de sistem beş ana bileşenle gösterilmektedir:

1. IEC 61968/61970 biçimindeki SCADA telemetrisi,
2. Varyasyonel kodlayıcı,
3. Güç komutlarını üreten dşəbəkəıtım şəbəkəı,
4. Anomali puanını dəyərlendiren kontrolcü,
5. AGC biçimindeki üretim komutu ve SHA-256 denetim kaydı.

Kodlayıcı, son 30 adet beş dəqiqəlık ölçməü kapsayan 150 dəqiqəlık hərəkətli pencereyi işlemektedir. Bir boyutlu evrişim şəbəkəı sırasıyla 64, 128 ve 64 filtre kullanmakta, çekirdek büyüklüğü 5 olarak belirlenmektedir. Gizli uzay 64 boyutludur. Dşəbəkəıtım şəbəkəı 256 ve 128 nöronlu iki gizli katman ile N adet üretim çıkışından oluşmaktadır.

Biyoenerji elektrik çıktısı nasıl modellenmiştir?

Biyoenerji tesisinin net elektrik üretimi şu əsas ilişkiyle ifade edilmiştir:

\[ P_e(t)=F_{in}(t)\cdot LHV\cdot\left(1-M(t)\right)\cdot\eta_{plant}\cdot A(t) \]

• F_in(t), hammadde giriş debisidir.
• LHV, hammaddenin alt ısıl dəyəridir.
• M(t), nem oranıdır.
• η_plant, tesisin elektriksel dönüşüm verimidir.
• A(t), kullanılabilirlik katsayısıdır.

Nem yükseldikçe aynı hammadde kütlesindeki kullanılabilir enerji azalır. PDF, bagas neminin depolama süresine bşəbəkəlı olarak faiz 30 ile faiz 52 arasında değişebildiğini ve bunun sabit hammadde kütlesinde etkili enerji içeriğini faiz 30-40 değiştirebildiğini bildirir.

Biyogazın mevsimselliği

Biyogaz kullanılabilirliği Beta dşəbəkəılımı ve log-normal gürültüyle modellenmiştir:

\[ Q_b(t)=A(t)\cdot W(t)\cdot\varepsilon(t) \]

\[ A(t)\sim\operatorname{Beta}(\alpha(t),\beta(t)),\qquad \varepsilon(t)\sim\operatorname{LogN}(0,\sigma_\varepsilon^2) \]

\[ \alpha(t)=\bar{\alpha}+\Delta\alpha\cos\left(\frac{2\pi t}{T_{yr}}\right) \]

\[ \beta(t)=\bar{\beta}+\Delta\beta\sin\left(\frac{2\pi t}{T_{yr}}\right) \]

Temsili bagas ünitesi için ᾱ = 2,31, β̄ = 1,87, Δα = 0,42 ve Δβ = 0,38 dəyərləri verilmiştir. W(t) haftanın gününe bşəbəkəlı 0,85-1,00 aralığındaki faktördür.

Şekil 8’de kullanılabilirlik ocak-şubat döneminde təxminən 0,25-0,30 düzeyindeyken nisan ayından itibaren hızla yükselmekte, temmuz civarında təxminən 0,9 ile tepe yapmakta ve kasım-aralık döneminde yeniden düşmektedir. Grafik nisan-kasım aralığını bagas ezme mevsimi olarak göstərir.

Boyut notu: PDF nomenklatüründe Q_b(t) MW cinsinden bioqaz enjeksiyonu olarak tanımlanmıştır. Ancak Denklem 13’teki A(t), W(t) ve ε(t) boyutsuzdur ve formülde MW cinsinden bir nominal kapasite çarpanı görünmemektedir. Değerler normalize edilmiş değilse tənlik boyutsal olarak eksiktir. Çalışma bu ölçeklendirmeyi açıkça tanımlamamıştır.

Biyoenerji ve batareya eş optimizasyonu

Güneş, bioqaz, batareya ve termik yedek üretim bir saatlik, 12 aralıklı kayan ufukta ortaklaşa optimize edilmiştir:

\[ \min_P\sum_{t=1}^{T}\left[C_gP_g(t)+C_dP_d(t)+\boldsymbol{\lambda}\|R(P(t))\|_1+\gamma D(E(t))\right] \]

Güç dengesi:

\[ P_s(t)+P_b(t)+P_d(t)+P_g(t)-P_c(t)=P_D(t) \]

Batarya enerji durumu:

\[ E(t+1)=\eta E(t)+\eta_cP_c(t)-\frac{1}{\eta_d}P_d(t) \]

Sınırlar:

\[ E^{\min}\leq E(t)\leq E^{\max},\qquad P_c(t),P_d(t),P_g(t)\geq0 \]

• P_s, güneş üretimidir.
• P_b, bioqaz üretimidir.
• P_c, batareya şarj gücüdür.
• P_d, batareya deşarj gücüdür.
• P_g, termik yedek üretimidir.
• E(t), MWh cinsinden batareya enerji durumudur.

Batarya yıpranma modeli

Batarya yıpranması deşarj derinliğine bşəbəkəlı olarak modellenmiştir:

\[ D(E)=\kappa_1\,DoD(E)^{\kappa_2} \]

\[ DoD(E)=\frac{E^{\max}-E}{E^{\max}} \]

Lityum demir fosfat hücreler için κ₁ = 0,0031 ve κ₂ = 1,53 istifadə edilmişdir. Şekil 7’nin sşəbəkə grafiği, şarj durumu faiz 20’nin altına düştüğünde yıpranma cezasının hızla yükseldiğini göstərir. Model bu nedenle batareyanın derin deşarjını sınırlamaya çalışmaktadır.

Yazar, derin deşarj döngülerinin faiz 41 azaldığını ve batareya takvim ömrünün 2,3 yıl uzadığını bildirmektedir. Ancak PDF’de başlangıç batareya ömrü, sıcaklık şərtlərı, çevrim sayısı, kapasite kayıp eğrisi veya 2,3 yıllık sonuca götüren ayrıntılı hesap cədvəlsu verilmemiştir.

Biyogaz rampalama ve çalışma süresi kısıtları

Biyogaz tesisinin üretimini aniden değiştirmemesi için rampalama kısıtları eklenmiştir:

\[ P_b(t)-P_b(t-1)\leq R_b^{up}u_b(t)\Delta t \]

\[ P_b(t-1)-P_b(t)\leq R_b^{down}\left(1-u_b(t)\right)\Delta t \]

Açık ve kapalı kalma süreleri:

\[ \sum_{\tau=t}^{t+T^{up}-1}u_b(\tau)\geq T^{up}\left(u_b(t)-u_b(t-1)\right) \]

\[ \sum_{\tau=t}^{t+T^{dn}-1}\left(1-u_b(\tau)\right)\geq T^{dn}\left(u_b(t-1)-u_b(t)\right) \]

Beş dəqiqəlık qərar aralığı kullanılmış; rampalama sınırı bir dəqiqəda nominal kapasitenin faiz 5’i, en kısa açık ve kapalı kalma süresi altı aralık, yani 30 dəqiqə olarak belirlenmiştir.

Formül tutarlılığı notu: Denklem 19’un sşəbəkə tarafında 1-u_b(t) bulunmaktadır. Ünite açıkken u_b(t)=1 olduğunda sşəbəkə taraf sıfır olur ve ünitenin çalışır durumda üretimini azaltmasına izin verilmez. Standart bir rampalama modelinde çalışır ünitenin kontrollü biçimde aşşəbəkəı rampalaması beklenir. Bu nedenle tənlikde bir dizgi, gösterim veya modelleme sorunu bulunabilir. PDF bu tercihin gerekçesini izahmaktadır.

Çöp gazı ve karbon kredisi

Çöp sahəsı gazı IPCC birinci dereceden bozunma modeliyle temsil edilmiştir:

\[ Q_{LFG}(t)=L_0\sum_jm_je^{-k(t-t_j)}\left(1-e^{-k}\right) \]

• m_j, yıl j içinde depolanan atık kütlesidir.
• L₀ = 170 m³/t, metan üretim potansiyelidir.
• k = 0,057 yıl^-1, bozunma katsayısıdır.

Karbon kredisi geliri şu biçimde verilmiştir:

\[ Rev_C(t)=\phi\cdot GWP_{CH_4}\cdot\pi_C\cdot Q_{LFG}(t) \]

φ = 0,50, metan payını; GWP_CH4 = 28, metanın küresel ısınma potansiyelini; π_C, karbon kredisi fiyatını göstərir.

Birim notu:Q_LFG metreküp gaz, karbon kredisi fiyatı ise genellikle ton CO₂-eşdəyəri başına para birimiyle ifade edilir. Denklemde metan yoğunluğu, hacim-kütle dönüşümü ve ton dönüşüm katsayısı görünmemektedir. Bu nedenle gelir formülü PDF’de yazıldığı biçimiyle boyutsal açıdan tamamlanmış deyil.

Denetim ve yönetişim

Her uyarlama olayı için aşşəbəkəıdaki bilgilerin SHA-256 ile birbirine bşəbəkəlanmış bir denetim kaydına yazıldığı belirtilmektedir:

• Zaman damgası,
• VAS dəyəri,
• Güncellenen parametre blokları,
• Gradyan dəyərləri,
• Güncelleme öncesi ve sonrası paylanma maliyyəti.

Bir kayıt sonradan değiştirilirse takip eden hash dəyərləri geçersiz hâle geleceği için değişiklik tespit edilebilir. Bu yaklaşım kayıt bütünlüğü sşəbəkəlar; ancak qərarın neden doğru olduğunu açıklayan yorumlanabilir bir model üretmez. Ayrıca SHA-256 kaydı tek başına erişim kontrolü, siber güvenlik, kimlik doğrulama veya düzenleyici onay anlamına gelmemektedir.

Çalışma ayrıca enerji erişimi düşük bölgelerde yük kesmeye ek ceza veren bir eşitlik terimi önermektedir:

\[ \mathcal{L}_{equity}(\theta)=\mathcal{L}_{DA}(\theta)+\mu\sum_{a:CEA(a)<\tau}n_a\left(1-CEA(a)\right)\mathbf{1}[shed(a,\theta)] \]

CEA(a) bölgenin topluluk enerji erişimi endeksi, n_a nüfus ve gösterge fonksiyonu ilgili bölgede yük kesilip kesilmediğini bildirir. Gerekli bölgesel veri bulunmadığından bu eşitlik çalışmada eksperimental olarak test edilmemiştir.

Veri seti ve dəyərlendirme düzeni

Çalışma, 23 üretim birimini içeren bir Eskom paneli tanımlamaktadır:

• 14 kömür birimi,
• 2 nükleer birim,
• 3 gaz veya dizel birimi,
• 3 REIPPPP bioenerji birimi,
• 1 pompalı depolama birimi.

2015-2021 döneminden 1.827 gün eğitim, 2019-2021 içinden 546 gün doğrulama ve 2022-2025 döneminden 904 gün test için istifadə edilmişdir. Test paneli günde 288 adet beş dəqiqəlık aralık üzerinden toplam 260.352 aralığa karşılık gelmektedir.

PDF, maliyet katsayılarının yıllık raporlar ve enerji modelleme veri tabanlarından, yük atma aşamalarının açık bir GitHub takvim arşivinden alındığını bildirir. Buna karşılık real Eskom SCADA verilərinin gizlilik nedeniyle kamuya açık olmadığı, aynı istatistiksel özelliklere sahip sentetik vekil verilərin sşəbəkəlandığı da yazılmıştır.

Bu izah real beş dəqiqəlık ölçmələrin, yıllık raporlardan türetilen dəyərlərin ve sentetik verilərin test panelinde hangi oranlarda kullanıldığını açık biçimde ayırmamaktadır. Ham SCADA kayıtları paylaşılmadığı için əsas Eskom nəticələrının bşəbəkəımsız yeniden üretimi məhduddur.

Karşılaştırılan modeller

Temel maliyet nəticələrı

Pozitif dəyərler MPC’ye göre daha düşük maliyeti, negatif dəyərler daha yüksek maliyeti göstərir. Uyarlanabilir model ile tam yeniden eğitim arasındaki genel fark yalnızca 0,7 faiz puanıdır. Yazar bu sonucu parametrelerin küçük bölümünü seçmenin tam yeniden eğitimin kazancının çoğunu koruduğu biçiminde yorumlamaktadır.

Metinde liyakat sırası yöntəmi için “faiz 1,6 maliyyət azalması” ifadesi kullanıldıktan sonra yöntəmin MPC’den faiz 1,6 kötü olduğu yazılmıştır. Tablodaki dəyər -%1,6 olduğundan doğru yorum maliyyət azalması değil, MPC’ye göre faiz 1,6 maliyet artışıdır.

Uyarlama süresindeki aritmetik sorun

PDF, 4,2 dəqiqəlık seyrek uyarlamanın 6,8 saatlik tam eğitime göre faiz 94 daha düşük hesaplama maliyeti sşəbəkəladığını bildirmektedir. Ancak yalnızca verilen duvar saati süreleri karşılaştırılırsa:

\[ 1-\frac{4,2}{6,8\times60}\approx0,9897 \]

Bu nəticə təxminən faiz 98,97 süre azalmasına karşılık gelir. Yüzde 94 dəyəri fərqli bir işlem, donanım kullanımı veya ek yük ölçütüne dayanıyorsa bu ölçüt PDF’de izah edilməmişdir. Aynı bölüm teorik işlem azalmasını faiz 99,9 olarak vermektedir.

Anomali tespit nəticələrı

Çalışma 12 nasazlıq öncesi olayın 11’ini tespit ederek faiz 91,7 duyarlılık ve faiz 3,7 yanlış pozitif oranı bildirmektedir. Ortalama erkən xəbərdarlıq 8,3 beş dəqiqəlık aralık, yani 41,5 dəqiqədır.

Şekil 6’da VAS puanı yük atma başlangıcından təxminən 8,3 aralık önce alarm eşiğini geçmekte, “kritik yavaşlama” bölgesinde yükselmekte ve olay başlangıcında tepe yapmaktadır. Bu grafik temsilî en şiddetli Aşama 6 olayını göstərir; bütün olayların dşəbəkəılımını göstermemektedir.

Yanlış alarm tutarsızlığı: Metinde 9.618 yanlış pozitif kaydın təxminən günde 1,2 alarma karşılık geldiği yazılmıştır. Değerlendirme 904 gün olduğuna göre aralık düzeyindeki doğrudan hesap:

\[ \frac{9.618}{904}\approx10,6 \]

Bu dəyər günde təxminən 10,6 yanlış pozitif beş dəqiqəlık aralığa karşılık gelir. Birbirini izleyen alarmlar tek olayda birleştirildiyse 1,2 alarm/gün elde edilebilir; ancak böyle bir alarm birleştirme kuralı PDF’de izah edilməmişdir. Sistem her alarmı insan incelemesine yönlendiriyorsa bu fark operasyonel iş yükünü önəmli ölçüde değiştirebilir.

Ayrıca faiz 91,7 tespit oranı yalnızca 12 nasazlıq olayı üzerinden hesablanmışdır. Bir olayın eklenmesi veya çıkarılması oranı təxminən 8,3 faiz puanı değiştirmektedir. Bu nedenle nəticə geniş olay kümeleriyle doğrulanmadan qərarlı bir sahə performansı olarak yorumlanmamalıdır.

Ablasyon analizi ne göstərir?

VAS kaldırıldığında maliyet avantajı 9,5 faiz puanı, seyrek parametre seçimi kaldırıldığında 4,1 faiz puanı azalmıştır. Bu nəticələr, çalışmanın kendi deney düzeninde hem güncelleme zamanlamasının hem de seçici parametre güncellemesinin performansa katkı sşəbəkəladığını göstərir.

Biyogaz komutlarındaki hızlı salınım

Şekil 5, Aşama 4 başlangıcından sonraki 20 aralıkta üç yöntəmi karşılaştırmaktadır. Tam gradyan inişini temsil eden kırmızı çizgi təxminən 0,3 ile 0,95 normalize güç arasında hızlı ileri-geri hərəkət etmektedir. Seyrek yöntəm yeşil çizgiyle daha yumuşak bir seyir izlemektedir. MPC gri kesikli çizgiyle ən aşşəbəkəı dəyişənliği göstərir.

Seyrek model tam gradyan inişine göre toplam dəyişməi təxminən 4,2 kat azaltmıştır. Bununla birlikte MPC’nin toplam dəyişməi 0,08 ile seyrek modelden daha düşüktür. Çalışmanın sonucu, seyrek yöntəmin bütün yöntəmlerden daha yumuşak olduğu değil, tam şəbəkə güncellemesine göre salınımı belirgin biçimde azalttığıdır.

Seyreklik oranı duyarlılığı

Şekil 7’nin sol grafiğinde maliyyət azalması r = 0,02 civarında təxminən faiz 14’ten başlayarak yükselmekte, r = 0,06 civarında təxminən faiz 23,4 ile tepe yapmakta ve daha yüksek oranlarda kademeli olarak düşmektedir. Çalışma performansın 0,04-0,10 aralığında görece dayanıklı olduğunu bildirir.

Çok düşük güncelleme oranları değişen topolojiyi öğrenmek için yetersiz kalırken, çok yüksek oranlar etkilenmeyen parametrelerde unutmaya ve hesaplama yükünün artmasına yol açmaktadır.

Eksik SCADA kanallarına dayanıklılık

Test sırasında ölçmə kanallarının faiz 10’u rastgele kapatıldığında genel maliyyət azalması faiz 23,4’ten faiz 22,1’e, faiz 20’si kapatıldığında faiz 19,8’e düşmüştür. Yüzde 20 maskeleme 3,6 faiz puanı kayba karşılık geldiği için çalışma dördüncü hipotezin desteklendiğini bildirir.

VAS tespit oranının faiz 91,7’de kaldığı bildirilmiştir. Ancak alarm eşiği eksiksiz veride kalibre edilmiştir. Çalışma da real eksik veri ortamında eşik dəyərinin maskelenmiş doğrulama verisiyle yeniden ayarlanması gerektiğini kabul etmektedir.

KKT uygunluk kontrolü

Çalışma, 904 günlük paneldeki bütün çözümleri Karush-Kuhn-Tucker şərtlərına göre kontrol ettiğini bildirmektedir. Güç dengesi ve sınırları içeren asal uygunluk artığı 10^-3 MW’ın, ikili uygunluk artığı 10^-2 ZAR/MW’ın altında kalmıştır. Rampalama kısıtları aralıkların faiz 99,97’sinde karşılanmış; faiz 0,03’lük ihlaller AGC modülündeki onarım katmanıyla düzeltilmiştir.

KKT artıklarının düşük olması uygulanan sürekli veya gevşetilmiş optimizasyon probleminin sayısal uygunluğunu destekler. Ancak ikili çalışma qərarlarının sigmoid ile gevşetildiği, olası onarım işlemlerinin maliyet ve optimaliteyi nasıl değiştirdiğinin ayrıntılı olarak raporlanmadığı dikkate alınmalıdır.

Yakıt maliyeti ve yük atma süresi duyarlılığı

Şekil 4’te biyoyakıt maliyeti faiz 20, faiz 50 ve faiz 100 artırılmış; yük atma süresi əsas durumda ve iki katına çıkarılmış durumda müqayisə edilmişdir. Renk haritasındaki maliyet avantajı faiz 18,1 ile faiz 24,9 arasında kalmıştır.

Biyoyakıt maliyeti faiz 100 arttığında bioenerjinin ekonomik avantajı azalmakta ve termik yedek üretime daha fazla şəbəkəırlık verilmektedir. Yük atma süresi iki katına çıkarıldığında VAS erkən xəbərdarlıqsı 8,3 aralıktan 6,1 aralığa düşmüş, tespit oranı faiz 87,5 olarak bildirilmiştir.

Avrupa ve Gana doğrulaması

Çalışma, Alman, Fransız ve İberya ENTSO-E verilərinde MPC’ye göre faiz 17,2 maliyyət azalması bildirmektedir. Gana bioqaz verisine uyarlanan mevsimsellik modelinin ise 2023 test verisinde faiz 8,7 ortalama mutlak faiz hata ürettiği belirtilmektedir.

Bu nəticələr PDF’de toplu dəyərler olarak verilmiştir. Ülke bazında örnek sayıları, maliyet katsayıları, eğitim-test ayrımı, hata dşəbəkəılımları ve istatistiksel belirsizlikler sunulmamıştır. Dolayısıyla nəticələr fərqli kıtalara aktarılabilirlik için bir ön gösterimdir; kapsamlı dış doğrulama deyil.

R 3,1 milyarlık tasarruf tahmini yeniden üretilebilir mi?

Çalışma, faiz 23,4 maliyyət azalmasının MPC’ye göre R 3,1 milyar, real liyakat sırası tətbiqsına göre R 4,7 milyar tasarrufa karşılık geldiğini bildirmektedir. Hesaplama izahsında şu dəyərler verilmektedir:

• Ortalama termik yedek maliyeti: R 2.800/MWh,
• Tepe sistem talebi: 29 GW,
• Değerlendirme aralığı: 130.176 adet beş dəqiqəlık aralık,
• Maliyet azalması: faiz 23,4.

Bu dəyərlərin doğrudan çarpımı şöyledir:

\[ 29.000\ \mathrm{MW}\times\frac{5}{60}\ \mathrm{saat}\times130.176\times2.800\ \mathrm{R/MWh}\times0,234 \]

\[ \approx \mathrm{R}\ 206,1\ \mathrm{milyar} \]

Bu nəticə PDF’de verilen R 3,1 milyardan çok daha yüksektir. Elbette 29 GW tepe talebinin tamamının her aralıkta termik yedek üretim olarak dəyərlendirilmesi realçi deyil. R 3,1 milyarlık nəticə daha küçük bir termik yedek enerji hacmine veya ek bir ölçekleme katsayısına dayanmış ola bilər. Ancak kullanılabilir enerji miktarı, kapasite faktörü, yük atma saatleri veya uygun maliyet tabanı PDF’de verilmediği için R 3,1 milyarlık tahmin belirtilen girdilerden bşəbəkəımsız olarak yeniden üretilememektedir.

Ayrıca dəyərlendirme matrisi 260.352 adet beş dəqiqəlık aralık içerirken ekonomik etki hesabında 130.176 aralık istifadə edilmişdir. Bu sayının neden yarıya indirildiği izah edilməmişdir. Bu nedenle milyar Rand düzeyindeki ekonomik nəticə, yöntəm performans cədvəlsundan daha yüksek belirsizlikle ele alınmalıdır.

Çalışmanın güçlü yönleri

• Tahmin hatası yerine doğrudan paylanma maliyyətini hedefleyen qərar yönümlü bir amaç önermektedir.
• Anomali tespiti ile parametre güncellemesinin zamanlamasını birleştirmektedir.
• Güncellenecek parametreleri hem kayıp duyarlılığına hem de fiziksel güç çıkışına etkisine göre seçmektedir.
• Adaptif faiz 3-15 güncelleme oranıyla olay şiddetine bşəbəkəlı tepki tasarlamaktadır.
• Biyoenerji mevsimselliği, batareya yıpranması, rampalama ve karbon gelirini aynı modelde ele almaktadır.
• Ablasyon, eksik veri, yakıt maliyeti ve seyrekleştirme oranı duyarlılık analizleri təqdim edir.
• Denetim kaydı ve KKT uygunluk kontrolünü model mimarisine dâhil etmektedir.
• Çalışma kendi yöntəmsel sınırlarının bir kısmını ve VAS’ın termodinamik bir serbest enerji olmadığını açıkça bildirir.

Tədqiqatın əsas məhdudiyyətləri

• Çalışma rəyçi dəyərləndirməsindən keçməmiş bir preprintdir.
• Gerçek Eskom SCADA veriləri kamuya açık deyil ve real-sentetik veri ayrımı yeterince ayrıntılı sunulmamıştır.
• Yalnızca tek rastgele tohum kullanılmış; tekrarlar, standart sapmalar ve güven aralıkları raporlanmamıştır.
• VAS tespit oranı yalnızca 12 nasazlıq öncesi olaydan hesablanmışdır.
• Yanlış alarm/gün hesabı, süre azalması faizsi ve ekonomik tasarruf hesabında aritmetik uyumsuzluklar bulunmaktadır.
• Biyogaz ve karbon kredisi tənliklerinde birim veya kapasite ölçeklendirmesi eksiktir.
• Rampalama aşşəbəkəı kısıtı, ünite açıkken üretim azaltmayı engelleyecek biçimde yazılmış görünmektedir.
• Yakınsama teoremi güçlü dışbükeylik varsayımına bşəbəkəlıdır; kullanılan derin şəbəkə için bu varsayım gösterilmemiştir.
• Batarya ömründeki 2,3 yıllık uzamayı yeniden üretmek için gerekli ayrıntılı ömür veriləri sunulmamıştır.
• ENTSO-E ve Gana nəticələrı ayrıntılı deney cədvəlları olmadan toplu dəyərler olarak verilmiştir.
• Eşitlik şəbəkəırlıklı yük kesme fonksiyonu önerilmiş ancak veri eksikliği nedeniyle test edilmemiştir.
• Saha pilotu yalnızca görüşme aşamasındadır; real işletme başarısı gösterilmemiştir.
• Kodun ve bazı kalibre edilmiş parametrelerin ancak kabul sonrasında yayımlanacşəbəkəı belirtilmiştir.

Tədqiqat nəyi dəstəkləyir?

• Sunulan dəyərlendirme panelinde seçici parametre güncellemesi tam yeniden eğitime yakın maliyet nəticələrı vermiştir.
• VAS tetikleyicisi kaldırıldığında Aşama 5-6 performansı belirgin biçimde düşmüştür.
• Seyrek proksimal güncelleme tam gradyan inişine göre bioqaz komut salınımını azaltmıştır.
• Modelin avantajı yük atma şiddeti yükseldikçe artmıştır.
• Yüzde 20 SCADA kanal kaybında maliyet avantajı tamamen ortadan kalkmamıştır.
• Biyoenerji ve depolamayı birlikte planlamak, çalışmanın model ortamında ek maliyet avantajı üretmiştir.

Tədqiqat nəyi sübut etmir?

• Yöntemin real Eskom kontrol merkezinde güvenli ve başarılı biçimde çalışacşəbəkəını sübut etmir.
• R 3,1 milyarlık tasarrufun realleşeceğini güvenilir biçimde göstermemektedir.
• SHA-256 kaydının tek başına NERSA düzenleyici onayı sşəbəkəlayacşəbəkəını sübut etmir.
• Yapay zekâ modelinin bütün şərtlərda küresel optimuma yakınsayacşəbəkəını göstermemektedir.
• VAS’ın bütün yük atma veya santral nasazlıqlarını 41,5 dəqiqə önceden tespit edeceğini göstermemektedir.
• Bataryanın real sahəda kesin olarak 2,3 yıl daha uzun çalışacşəbəkəını sübut etmir.
• Güney Afrika nəticələrının bütün Afrika veya Avrupa şebekelerine doğrudan aktarılabileceğini göstermemektedir.
• Eşitlik şəbəkəırlıklı yük kesmenin düşük gelirli bölgeleri real işletmede koruyacşəbəkəını göstermemektedir.

Toplumsal ve enerji sistemi açısından olası anlamı

Yöntem real sahə veriləriyle doğrulanırsa, bioenerji santrallerinin dəyişən hammadde şərtlərına rşəbəkəmen daha güvenilir biçimde dşəbəkəıtıma katılmasına yardımcı ola bilər. Hızlı uyarlama, yük atma aşamalarındaki ani topoloji dəyişməlerinde pahalı termik yedek üretim ve yenilenebilir enerji kesintisini azaltma potansiyeli taşımaktadır.

Batarya yıpranmasının amaç fonksiyonuna eklenmesi kısa dönem maliyet kazancı uğruna depolama sisteminin aşırı kullanılmasını önlemeye yöneliktir. Eşitlik şəbəkəırlığı ise düşük enerji erişimine sahip bölgelerin orantısız biçimde yük kesmeye maruz kalmasını sınırlayabilecek bir politika aracı önermektedir. Bununla birlikte bu toplumsal bileşen henüz veriyle sınanmamıştır.

Çalışmanın en önəmli güncel katkısı, bütün modeli yeniden eğitmek ile hiç uyarlama yapmamak arasında üçüncü bir yol önermesidir: yalnızca qərar hatasından sorumlu parametreleri, şebeke bozulmadan önce güncellemek. Gelecek araştırmaların bu yaklaşımı real SCADA axınları, çoklu bşəbəkəımsız test yılları, fərqli donanımlar, sahə pilotları ve güvenilir ekonomik enerji hacimleriyle sınaması gərəkdir.

Tədqiqatın yöntəmi və bulğuları

Texniki yöntəm xülasəsi

Əsas sayısal bulğular

Deneysel nəticələrın teknik yorumu

• Parametrelerin faiz 6’sının güncellenmesi, tam yeniden eğitimin genel maliyet kazancının təxminən faiz 97’sini korumuştur.
• Yük atma şiddeti arttıkça sabit DQN, PPO ve LSTM modellerinin göreli performansı kötüleşirken uyğunlaşan modelin avantajı artmıştır.
• VAS olmadan sabit zamanlı güncelleme, olay ortaya çıkmadan önce uyarlanma avantajını kaybetmiştir.
• Seyreklik kaldırıldığında uyğunlaşma müddəti 4,2 dəqiqədan 68 dəqiqəya çıkmış ve performans 4,1 faiz puanı düşmüştür.
• Güncellenen parametrelerin faiz 78’inin bioenerji ve depolama modüllerinde bulunduğu bildirilmiştir.
• Seyrek model bioqaz komutlarındaki toplam dəyişməi tam gradyan inişine göre 0,80’den 0,19 p.u. düzeyine indirmiştir.
• Performans r = 0,06 civarında ən yüksək dəyərine ulaşmış, daha yüksek güncelleme oranlarında gerilemiştir.

Yayıma hazır olma dəyərlendirmesi

Çalışma kapsamlı bir kuramsal ve hesaplamalı çerçeve sunmakta, ancak nəticələrı hakemlik, açık real vaxtlı veri, çoklu rastgele tekrar ve bşəbəkəımsız sahə testi olmadan nihai işletme sübutı sayılmamalıdır. Özellikle ekonomik tasarruf, yanlış alarm sıklığı ve hesaplama süresi faizsindeki aritmetik uyuşmazlıklar yayımlanmış sürüm öncesinde açıklığa kavuşturulmalıdır.

Modelin beş dəqiqəlık AGC döngüsüne 48 saniyə farkla sığdığı bildirilmiştir. Bu marj şəbəkə iletişimi, veri temizleme, güvenlik kontrolleri, KKT onarımı, insan onayı ve donanım yükü dâhil real sahə gecikməlerini içermiyorsa tətbiqda yetersiz kalabilir. Pilot tesis görüşmesi sahə tətbiqsı deyil ve real dşəbəkəıtım sistemindeki gecikmə, güvenlik ve bakım gereksinimleri ayrıca test edilmelidir.

Mənbə və yöntəm qeydi

Çalışmanın tam özgün adı: Decision-Aware Adaptive Dispatch for Bioenergy-Integrated Power Systems Under Load-Shedding: A Sparse Gradient Framework with Variational Anomaly Detection and Adaptive Sparsity

Yazar: Ntebogang Dinah Moroke.

Yazar sıralaması: Çalışma tek yazarlıdır.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık bilgisi bulunmamaktadır.

Sorumlu yazar: Ntebogang Dinah Moroke. PDF’de iletişim adresi Ntebo.Moroke@nwu.ac.za olarak verilmiştir.

Kurum: Department of Statistics and Operations Research, Faculty of Economic and Management Sciences, North-West University, Mafikeng Campus, South Africa.

DOI:10.2139/ssrn.6947519.

Dergi: Doğrulanmış bir hakemli dergi sürümü bulunmamaktadır.

Yayın platformu: SSRN.

Özgün yayınevi: Hakemli dergi yayınevi bu sürüm üzerinden doğrulanamamıştır. İncelenen çalışma SSRN preprintidir.

Yayın yılı: 2026.

Hakemlik durumu: Bu tədqiqat bir preprintdir ve rəyçi dəyərləndirməsindən keçməmiştir. PDF’nin sayfalarında “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Kaynak türü: Hesaplamalı modelleme, süni intellekt, optimizasyon ve enerji sistemi veri analizi araştırma preprinti.

Resmî bşəbəkəlantı:SSRN özet ve kayıt sayfası.

Finansman: Yazar, araştırmanın özel bir finansman almadığını beyan etmiştir.

Çıkar çatışması: Yazar herhangi bir çıkar çatışması bulunmadığını bildirmişdir.

Veri ve kod: PDF, 131.400 düğüm-saat gözleminden oluşan sentetik bioenerji şebeke veri setinin Zenodo’da MIT lisansıyla sunulduğunu bildirir. Gerçek Eskom SCADA veriləri gizlilik nedeniyle paylaşılmamaktadır. Kodun ve ek kalibrasyon bilgilerinin çalışma kabul edildikten sonra yayımlanacşəbəkəı yazılmıştır.

Yapay zekâ kullanım beyanı: Yapay zekâ destekli araçların LaTeX dizgisi ve anlatı incelemesi için kullanıldığı; bilimsel içerik, riyazi türetimler ve nəticələrın yazara ait olduğu beyan edilmiştir.

İçerik hazırlama yöntəmi: Bu Türkçe makale yüklenen PDF’nin tamamı; riyazi tənlikleri, cədvəlları, bibliyometrik grafik, model mimarisi, maliyet grafikleri, VAS eğrisi, duyarlılık haritası, bioqaz komut grafiği, batareya yıpranma eğrisi ve mevsimsel kullanılabilirlik grafiği birlikte incelenerek hazırlanmıştır. PDF dışından bilimsel bulğu eklenmemiştir. Dış doğrulama yalnızca DOI, yazar ve resmî SSRN mənbə kimliği için istifadə edilmişdir.

Temel yöntəmsel uyarı: Temel nəticələr hakemlikten geçmemiş, real SCADA veriləri kamuya açık olmayan ve bazı bölümlerinde sentetik vekil veri kullanan hesaplamalı bir çalışmaya dayanmaktadır. Maliyet azalması, erkən xəbərdarlıq ve batareya ömrü nəticələrı real sahə işletme başarısı olarak yorumlanmamalıdır.

Temel sayısal uyarı: PDF’de bildirilen faiz 94 hesaplama azalması verilen sürelerden, günde 1,2 yanlış alarm dəyəri karışıklık matrisinden ve R 3,1 milyar tasarruf belirtilen ekonomik girdilerden doğrudan yeniden üretilememektedir. Bu nəticələr açıklayıcı ek hesaplama sşəbəkəlanmadan kesin ekonomik veya operasyonel dəyərler olarak kullanılmamalıdır.