Бул изилдөө, elektrik бөлүштүрүү тармагы изилдөөlarında kullanılacak симуляция senaryolarının табигый тил komutlarıyla oluşturulmasını sторlayan GridSage adlı bir platform önermektedir. Kullanıcı; şebeke modeli, фотовольтаика üretim, шамал энергиясы, yük seviyesi, энергия сактоо, электр унаалары, изилдөө saatleri жана kullanılacak бекемдөөчү үйрөнүү алгоритмsı gibi koşulları günlük dille tanımlamaktadır. GridSage bu isteği doğrudan физикалык симуляцияa göndermek yerine uygun bir Scenario Skill şablonunu seçmekte, yalnızca istenen alanları artımlı катары değiştirmekte жана ortaya çıkan ScenarioConfig объектsini топология, parametre sınırı, кубат агымы жана иштетүү чектөөлөрү bakımından тастыктооktadır.

Yöntem; Scenario Skill erişimi, artımlı semantik düzenleme, iki katmanlı коопсуздук kontrolü, V2G özellikli aktif бөлүштүрүү тармагы modeli, doğrusal DistFlow çözümü, OpenDSS tabanlı doğrusal olmayan AC кубат агымы тастыктооsı жана Gymnasium uyumlu бекемдөөчү үйрөнүү ortamından oluşmaktadır. Platform; фотовольтаика жана rüzgâr üretimi, энергия сактоо sistemleri, электр унаасы şarjı жана тармакка энергия берүү, yumuşak açık noktalar менен мурдаden doğrulanmış şebeke yeniden конфигурация planlarını ошол эле deney ortamında birleştirmektedir.

Doğal dil конфигурацияsı үчүн hazırlanan 200 örnekli karşılaştırmada tam GridSage iş агымı %96,0 буйрук тактыгы, %96,12 талаа тактыгы, %98,0 geçerlilik жана %96,0 аткарууга даярдык oranına ulaşmıştır. Doğrudan tam конфигурация üreten негизги ыкма yalnızca %52,5 буйрук тактыгы жана %44,5 аткарууга даярдык oranı sторlamıştır. 76 senaryolu коопсуздук testinde genel тастыктагыч bütün 40 kesin катаlı конфигурацияyı çalıştırılmadan мурда engellemiş; Scenario Skill тастыктооsı, çalıştırılabilir fakat riskli senaryoların %80’ine uyarı же ret yoluyla müdahale etmiştir.

IEEE 33 düğümlü, жогорку фотовольтаика üretim жана төмөн yük senaryoсууnda SAC, TD3, DDPG жана PPO алгоритмları 200.000 adım boyunca eğitilmiştir. Gurobi tabanlı optimizasyon referansı 96.091,90 менен эң төмөн toplam amaç değerini, %99,18 чыңалуу шайкештигиnu жана %100 калыбына келүүчү энергия колдонулушуnı elde etmiştir. Öğrenilmiş denetleyicмененr ортосунда SAC, 98.476,50 toplam amaç değeriyle en iyi toplu sonucu жанаrmiştir; ancak чыңалуу шайкештиги %93,62 жана yenмененnebilir kullanım oranı %94,59 düzeyinde kalmıştır. Bulgular gerçek bir бөлүштүрүү тармагы uygulamasına değil, tek bir ana RL senaryoсуу, üç кокус урук жана рецензиядан өтө элек bir yazılım prototipine dayanmaktadır.

Изилдөөnın çözmeye çalıştığı sorun nedir?

Dторıtım şebekelerinde бекемдөөчү үйрөнүү изилдөөsı yapmak yalnızca bir алгоритм seçmekten ibaret эмес. Изилдөөcının şebeke топологияsini, yük жана калыбына келүүчү энергия profillerini, cihaz kapasitelerini, электр унааларыın davranışını, depolama sınırlarını, изилдөө süresini, кубат агымы çözücüsünü, ödül fonksiyonunu жана deney tohumlarını tutarlı biçimde tanımlaması керек.

Bu ayarların elle yapılması üç негизги sorun oluşturmaktadır:

• Senaryo oluşturma süresi жана конфигурация maliyeti yükselmektedir.
• Birbiriyle çelişen же физикалык катары uygulanamayan parametreler kolayca oluşturulabilmektedir.
• Deneyler ортосундаki küçük жана kayıtsız конфигурация farkları, жыйынтыктарın yeniden üretмененbilirliğini жана алгоритмların adil karşılaştırılmasını zayıflatmaktadır.

Büyük dil modelleri табигый тил isteklerini yapılandırılmış жанаrмененre dönüştürebilir. Ancak электр тармагы senaryoсуу sıradan bir metin üretme боюнчаvi эмес. Dil modelinin var olmayan bir düğüme cihaz eklemesi, desteklenmeyen bir şebeke modeli istemesi, zaman аралыктынı ters tanımlaması же aşırı üretimle gerilim sınırlarını tehlikeye atması mümkündür. Изилдөөnın негизги soruсуу bu nedenle şöyledir: Doğal dilin esnekliği, физикалык şebeke kurallarından ödün жанаrmeden güжанаnli жана yeniden üretмененbilir bir deney конфигурация aracına dönüştürülebilir mi?

GridSage’in genel iş агымı

Изилдөөnın grafik özetinde kullanıcıdan başlayan süreç beş ana aşamada gösterilmektedir:

1. Kullanıcı, incelemek istediği бөлүштүрүү тармагы senaryoсууnu табигый тилle açıklar.
2. Platform, IEEE 33, 69 же 123 düğümlü sistem gibi негизги senaryolardan uygun Scenario Skill kaydını getirir.
3. Mevcut конфигурация tamamen yeniden yazılmadan, yalnızca kullanıcının istediği parametreler değiştirilir.
4. Topoloji, güç uygulanabilirliği, gerilim sınırları жана иштетүү чектөөлөрү doğrulanır.
5. Geçerli senaryo бекемдөөчү үйрөнүү ortamında çalıştırılarak maliyet, чыңалуу шайкештиги, калыбына келүүчү энергия колдонулушу жана электр унаасы şarj memnuniyeti raporlanır.

Bu mimaride büyük dil modeli физикалык симуляция katmanına doğrudan erişmemektedir. Dil modeli yalnızca конфигурация katmanında komut üretir. Gerçek şebeke durumu, кубат агымы жана cihaz hareketleri deterministik yazılım bмененşenleriyle oluşturulmaktadır. Bu ayrım, dil modelinin serbest metin üretimindeki аныксыздыкlerin doğrudan şebeke hesaplarına taşınmasını önlemeyi amaçlamaktadır.

Scenario Skill nedir?

Scenario Skill, tipik bir бөлүштүрүү тармагы изилдөө durumunu temsil eden yeniden kullanılabilir bir bilgi birimidir. Örneğin жогорку фотовольтаика üretim, төмөн yük, yoğun электр унаасы şarjı же sınırlı esnek булак koşulu ayrı birer beceri kaydı катары tanımlanabilir.

Her beceri şu bмененşenlerden 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 жана изилдөө koşulu tanımlarını, \(P_k\) önerмененn parametreleri, \(N_k\) düğüm düzeyi değişiklik kurallarını, \(A_k\) бекемдөөчү үйрөнүү ayarlarını, \(M_k\) баалоо ölçütlerini жана \(V_k\) тастыктоо kurallarını көрсөтөт.

Bu yapı, изилдөөчүлөрın deneyimlerini serbest metin notları yerine aranabilir жана denetlenebilir senaryo bilgisine dönüştürmektedir. Beceri kitaplığı açık uçlu tasarlanmıştır; yeni şebeke koşulları жана тастыктоо kuralları кийинdan eklenebilmektedir.

Uygun beceri nasıl seçilmektedir?

Kullanıcının isteği \(U_{in}\) жана mevcut senaryo durumu \(C_{cur}\) үчүн her beceriye bir eşleşme puanı жанаrilmektedir:

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

\(I_T\), kullanıcı komutunun tetikleyici ifadelerle benzerliğini; \(I_R\), temsilî taleplerle uyumunu; \(I_D\), adı geçen cihaz жана enerji булакlarının beceriyle ilişkisini; \(I_S\), mevcut senaryo durumuyla uyumu ölçmektedir. \(\omega_1\)–\(\omega_4\) коэффициенттери dört ölçütün боюнчаli торırlıklarını belirlemektedir.

Algoritma 1'de puanı belirli bir eşik değerini geçen becerмененr aday kümesine alınmakta жана эң жогорку puanlı beceri seçilmektedir. Hiçbir beceri eşiği geçmezse sistem uygun bir beceri bulunamadığını döndürmektedir. Seçмененn becerinin parametreleri, düğüm kuralları, алгоритм ayarları, performans ölçütleri жана коопсуздук kuralları кийинki düzenleme aşamasına bторlam катары aktarılmaktadır.

Изилдөөda eşleştirme bмененşenlerinin yapısı açıklanmış olmakla birlikte торırlık коэффициенттериnın жана erişim eşiğinin сандык değerleri ana metinde жанаrilmemiştir. Bu durum, beceri erişim mekanizmasının ошол эле ayarlarla bторımsız катары yeniden üretilmesini sınırlandırmaktadır.

Artımlı semantik düzenleme neden маанилүүdir?

Bir kullanıcı mevcut senaryoda yalnızca фотовольтаика üretimi değiştirmek istediğinde bütün ScenarioConfig объектsinin yeniden üretilmesi gereksiz risk oluşturur. Dil modeli daha мурда doğru tanımlanmış alanları yanlışlıkla değiştirebilir же 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 кылынууда:

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

\(a_i\), güncelleme же etkinleştirme gibi işlem türünü; \(q_i\), hedef конфигурация alanını; \(v_i\), yeni değeri көрсөтөт. Bir kullanıcı isteğinden oluşan bütün değişiklikler ise şöyledir:

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

Bu yaklaşım mevcut durumun korunmasını, değişiklik geçmişinin izlenmesini жана катаlı alanların tek tek düzeltilmesini kolaylaştırmaktadır.

Bir табигый тил komutu nasıl yapılandırılmış senaryoya dönüştürülmüştür?

Изилдөөdaki örnek komutta kullanıcı şu koşulları istemektedir:

• IEEE 33 düğümlü бөлүштүрүү тармагы,
• 10.00–14.00 ортосунда фотовольтаика üretimin 2,0 katına çıkarılması,
• Aynı dönemde yükün 0,7 katına düşürülmesi,
• b18 düğümüne 300 kW фотовольтаика kapasite eklenmesi,
• b18 düğümüne 500 kWh энергия сактоо eklenmesi,
• Değerlendirmede SAC алгоритмsının kullanılması,
• Sonuçların Gurobi tabanlı optimizasyon referansıyla karşılaştırılması.

Platform bu bмененşik isteği dört конфигурация grubuna ayırmıştır: senaryo amacı, küresel işletme parametreleri, düğüm жана cihaz değişiklikleri менен алгоритм жана yürütme ayarları. Böylece tek bir paragraftaki zaman, cihaz, kapasite жана алгоритм talepleri ayrı alanlara yazılmıştır.

İki katmanlı коопсуздук тастыктооsı

Aday senaryo doğrudan кубат агымы çözücüsüne gönderilmemektedir. Doğrulama kuralları genel жана beceriye özgü kontrollerin birleşimi катары tanımlanmaktadır:

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

\(V_g\), bütün senaryolara uygulanan genel тастыктооları; \(V_k\), seçмененn Scenario Skill үчүн tanımlanmış semantik kontrolleri көрсөтөт.

Genel kesin kısıtlar

İlk aşamada конфигурацияnın çalıştırılabilir olup olmadığı kontrol кылынууда. İncelenen негизги konular şunlardır:

• İstenen şebeke modelinin desteklenip desteklenmediği,
• Başlangıç жана bitiş saatlerinin mantıksal sırası,
• Zaman adımının geçerliliği,
• Algoritma жана yürütme modunun desteklenmesi,
• Belirtмененn düğümün şebekede bulunması,
• Cihazların ilgili düğüm жана senaryoyla uyumu,
• Fotovoltaik, yük жана diğer çarpanların izin жанаrмененn аралыкlarda kalması,
• Topoloji bторlantısı, кубат агымы uygulanabilirliği жана işletme sınırları.

Örneğin 23.00'te başlayıp 22.00'de biten bir симуляция reddкылынган. Desteklenmeyen “ieee999” modeli de çalıştırılmadan мурда engellenmiş жана kullanıcıya mevcut IEEE 33, 69 жана 123 düğümlü seçenekler билдирилген.

Scenario Skill semantik kontrolü

Bir конфигурация teknik катары çalıştırılabilir olsa bменен изилдөө amacı bakımından riskli болушу мүмкүн. Örneğin фотовольтаика üretimin 2,8 katına çıkarıldığı, yükün 0,7 katına düşürüldüğü жана hem энергия сактоо hem de SOP desteğinin kapatıldığı bir senaryo çözücü tarafından çalıştırılabilir. Ancak жогорку üretim, төмөн tüketim жана sınırlı esneklik bir araya geldiğinde aşırı gerilim жана калыбына келүүчү энергия kısıntısı riski oluşabilir.

GridSage bu tür senaryoları zorunlu катары reddetmek yerine “uyarı” durumuna alabilmektedir. Böylece kesin физикалык же şema катаları менен изилдөөcının bilinçli катары incelemek isteyebмененceği stres koşulları birbirinden ayrılmaktadır.

Dторıtım şebekesi физикалык modeli

Doğrulanan ScenarioConfig, metin olmaktan çıkarılarak zaman indeksli bir физикалык şebeke durumuna dönüştürülmektedir. Her zaman adımında yükler, yenмененnebilir üretim, электр унаалары, depolama, SOP жана seçilmiş топология birlikte oluşturulmaktadır.

Yük modeli

Bir düğümdeki aktif yük, негизги profil, küresel yük çarpanı, zamana bторlı коэффициент жана 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, негизги 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 коэффициентsını; \(\Delta P^L_i\), ilgili düğüme eklenen yükü; \(\phi_i\), негизги güç faktörü açısını көрсөтөт.

Yenмененnebilir enerji жана depolama

Fotovoltaik üretim, küresel üretim çarpanı, zaman profili жана düğüm düzeyindeki kapasite eklemeleriyle ölçeklenmektedir. Rüzgâr üretimi de негизги kullanılabilirlik profiline жана ek kapasitelere bторlıdır. Profiller sabit кокус урукlarla değişkenleştirмененrek ошол эле deneyin yeniden üretмененbilmesi amaçlanmıştır.

Enerji depolama sistemleri; şarj жана deşarj güç sınırları, жанаrimlilikler жана minimum–maksimum doluluk durumu үстүндөn zamanlar arası bторlı булакlar катары modellenmiştir.

Elektrikli araç жана V2G modeli

Elektrikli araç bataryasının bir кийинki zaman adımındaki enerjisi şu теңдемеle 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 жанаrilmesini көрсөтөт. \(\eta_c\) жана \(\eta_d\), şarj жана deşarj жанаrimleridir. Bir istasyondaki toplam электр унаасы gücü, bторlı araçların güçlerinin toplamıdır:

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

Geliş жана ayrılış zamanları, ilk doluluk, hedef enerji жана şarj talebi sabit tohumlarla oluşturulmuştur. Bu sayede V2G desteği жана şarj memnuniyeti ошол эле senaryo үчүнde değerlendirмененbilmektedir.

SOP жана NOP tabanlı топология esnekliği

İki düğümü bторlayan 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 ортосунда aktif güç aktarırken her uçta bторımsız reaktif güç desteği sторlayabilmektedir.

NOP tabanlı yeniden конфигурацияda denetleyicinin rastgele hat açıp kapatmasına izin жанаrilmemiştir. Bunun yerine radyal yapıyı жана bторlantıyı koruduğu мурдаden doğrulanmış yasal топология planlarından biri ScenarioConfig aşamasında seçilmektedir. Bu tasarım adalaşma же çevrimli топология gibi çözücüye uygun olmayan yapıların oluşmasını engellemektedir.

Denetleyici eylemleri физикалык sınırlara nasıl uyarlanmıştır?

Pekiştirmeli öğrenme алгоритмsının ürettiği ham eylem doğrudan cihazlara uygulanmamaktadır. Eylem, mevcut şebeke жана cihaz durumuna bторlı изилдөө alanına izdüşürülmektedir:

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

\(u_t\), ham алгоритм çıktısını; \(a_t\), uygulanabilir физикалык komutu; \(\Omega(x^{sc}_t)\), o anda geçerli cihaz изилдөө alanını көрсөтөт.

Bu aşamada:

• Şebekeye bторlı olmayan электр унааларыın eylemleri maskelenir.
• Şarj жана V2G güçleri batarya жана istasyon sınırlarına kırpılır.
• Depolama eylemleri doluluk durumuna боюнча sınırlandırılır.
• Devre dışı SOP uçları sıfırlanır.
• SOP komutları dönüştürücü görünür güç sınırına izdüşürülür.

Düğüm düzeyindeki net güç enjeksiyonu

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

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

Denklem; geleneksel üretim, фотовольтаика, rüzgâr, depolama, yük, электр унаасы жана SOP etkмененrini ошол эле düğüm dengesi үчүнde toplamaktadır.

İki aşamalı кубат агымы тастыктооsı

Birinci aşama: doğrusal DistFlow

Radyal şebekede aktif жана reaktif kol агымları şu dengelerle hesaplanmaktadır:

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

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

Doğrusallaştırılmış gerilim düşümü ise şöyledir:

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

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

İşletme noktası; şebekeden enerji alım maliyeti, üretim maliyeti, depolama maliyeti, SOP kaybı жана сандык uygulanabilirlik үчүн колдонулган 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 же keşif amaçlı eylemlerde çözülebilirliği korumak үчүн kullanılmaktadır. Bu nedenle doğrusal çözümün bulunması, her işletme durumunun cezasız же tam anlamıyla физикалык катары ideal olduğu anlamına gelmemektedir.

İkinci aşama: OpenDSS AC тастыктооsı

DistFlow менен bulunan изилдөө durumu daha кийин OpenDSS kullanılarak doğrusal olmayan AC кубат агымыnda бааланган. Bu aşama gerilimleri, kol агымlarını, şebeke kayıplarını жана çözücü yakınsamasını güncellemektedir.

OpenDSS жыйынтыктарı ödül fonksiyonuna жана deney kayıtlarına aktarılmaktadır. Mevcut zaman adımının eylem кийинsında oluşan gerilim жана kol агымları, eylem seçilmeden мурда gözleme eklenmemiştir. Böylece denetleyicinin henüz gerçekleşmemiş bir кубат агымы sonucunu görmesiyle oluşabмененcek nedensellik dışı bilgi sızıntısı önlenmiştir.

Pekiştirmeli öğrenme gözlem uzayı

Denetleyicinin eylem мурдаsinde gördüğü durum жанаktörü 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 жана reaktif yükleri, kullanılabilir фотовольтаика жана rüzgâr gücünü, depolama doluluğunu, электр унаасы bторlantı durumunu, araç batarya seviyesini, ayrılışa kalan zamanı жана karşılanmamış şarj ihtiyacını içermektedir.

Eylem uzayı

Etkin cihazlara боюнча uyarlanan birleşik eylem жанаktörü 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 электр унаасы şarjı жана V2G gücünü, depolama şarj-deşarjını, калыбына келүүчү энергия kısıntısını, SOP aktif güç aktarımını жана iki uçtaki reaktif güç komutlarını kontrol etmektedir. NOP топологияsi çevrim içi bir RL eylemi эмес; deney başlamadan мурда geçerli planlardan biri seçilmektedir.

Ödül fonksiyonu

Varsayılan ödül ekonomik işletme, gerilim güжанаnliği, электр унаасы hizmeti жана 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 боюнча şarj açığını; \(I^{fail}_t\), OpenDSS yakınsamama durumunu cezalandırmaktadır.

Yenмененnebilir энергия чектөө жана kol агымları kayıt altına alınmakla birlikte varsayılan ödülde ayrı жана açık terimler катары жок. Bu tercih, bir алгоритмnın окутуу ödülünde iyi görünürken yenмененnebilir kullanım, şebeke kaybı же başka bir физикалык ölçütte daha zayıf kalabilmesinin nedenlerinden biridir.

Doğal dil конфигурация deneyi

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

• Küresel üretim же yük çarpanları,
• Düğüm düzeyi değişiklikler,
• Cihaz kullanılabilirliği,
• Zamana bторlı profil ayrıştırması,
• Eğitim же баалоо modu,
• Scenario Skill amaç tanıma,
• Birden fazla алгоритмnın karşılaştırılması,
• Birden fazla isteği birleştiren karma конфигурацияlar.

Bütün LLM destekli deneylerde табигый тил arka ucu катары DeepSeek-V4-Flash колдонулган. Üç iş агымı karşılaştırılmıştır:

• A1: Doğal dilden doğrudan bütün ScenarioConfig объектsini üretme.
• A2: Artımlı Delta Command kullanma.
• A3: Delta Command'a ek катары Scenario Skill erişimi, durum farkındalıklı birleştirme, genel тастыктоо, beceri тастыктооsı жана deney kaydı.

A1'in талаа тактыгы жогорку görünmesine rторmen буйрук тактыгы жана çalıştırılabilirliği төмөнtür. Bu жыйынтык tek tek alanlarda makul değerler üretmenin bütün конфигурацияnın eksiksiz жана tutarlı olduğu anlamına gelmediğini көрсөтөт.

A2, буйрук тактыгыnu %52,5'ten %91,0'a çıkararak artımlı düzenlemenin yararını көрсөткөн. A3 ise karma жана bторlama bторlı боюнчаvlerde daha dengeli жыйынтык üretmiştir. A3'ün geçerlilik oranı A2'den 1,5 yüzde puanı төмөн olsa da bunun nedeni daha gevşek değil, daha sıkı tam iş агымı kontrolüdür.

Görev kategorмененrine боюнча doğruluk

Isı haritasında A1 basit düğüm жана cihaz боюнчаvlerinde %100'e ulaşmış; ancak çok алгоритмlı karşılaştırmada %0, Scenario Skill amaç tanımada %24, окутуу-баалоо seçiminde жана karma конфигурацияda %32'de kalmıştır.

A2, zaman profili жана окутуу modu gibi alanlarda %100'e ulaşmış; fakat çok алгоритмlı karşılaştırmada %64 жана karma конфигурацияda %80 sторlamıştır.

A3 şu жыйынтыктарı жанаrmiştir:

• Düğüm değişikliği: %100,
• Cihaz kullanılabilirliği: %100,
• Eğitim же баалоо modu: %100,
• Karma конфигурация: %100,
• Zaman profili ayrıştırması: %96,
• Çok алгоритмlı karşılaştırma: %96,
• Scenario Skill amaç tanıma: %88,
• Küresel çarpan ayarı: %88.

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

Güжанаnlik тастыктоо deneyi

Güжанаnlik testi 76 конфигурацияdan oluşmuştur. Bunların 40'ı kesin катаlı, 36'sı ise çalıştırılabilir, riskli же normal senaryolardır. Kesin ката kategorмененri şunlardır:

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

B1 bütün kesin катаları kabul etmiştir. B2 bütün kesin катаları çalıştırılmadan мурда durdurmuş жана yedi ката sınıfının tamamını kapsamıştır. B3 ошол эле kesin коопсуздук başarısını korurken çalıştırılabilir fakat senaryo amacı bakımından riskli örneklerin %80'ine müdahale etmiştir. Normal senaryolarda yanlış uyarı gözlenmemiştir.

Bu test, dil modelinin güжанаnilirliğinin yalnızca doğru komut üretme oranıyla ölçülmemesi gerektiğini көрсөтөт. Hatalı komutların физикалык çözücüye ulaşmadan engellenmesi жана bilinçli stres testleriyle gerçek катаların ayrılması ayrıca değerlendirilmelidir.

Yüksek фотовольтаика üretim жана төмөн yük senaryoсуу

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 жана PPO,
• Değerlendirme tohumu: üç кокус урук,
• Optimizasyon referansı: Gurobi tabanlı denetleyici.

Bütün denetleyicмененr ошол эле ScenarioConfig, cihaz durumu, zaman ufku, ödül торırlıkları, normalizasyon, кокус урукlar жана iki aşamalı кубат агымы тастыктооsı астында karşılaştırılmıştır.

Eğitim eğrмененri ne көрсөткөн?

Eğitim grafiğinde SAC болжол менен 70.000–100.000 adım аралыктынda hızlı bir iyмененşme göstermiş жана окутуу sonunda öğrenмененn алгоритмlar ортосундаki эң жогорку ortalama bölüm ödülüne ulaşmıştır. TD3 erken dönemde hızlı мененrlemiş, daha кийин daha kademeli bir gelişim көрсөткөн. DDPG daha yavaş fakat sürekli iyмененşmiştir. PPO ise başlangıç seviyesinden sınırlı ölçüde uzaklaşmış жана diğer алгоритмlardan belirgin biçimde төмөн ödülde kalmıştır.

Bu жыйынтыктар yalnızca колдонулган durum, eylem, ödül торırlıkları, hiperparametreler жана жогорку-PV төмөн-yük senaryoсуу үчүн geçerlidir. Eğitim eğrisinin жогорку olması, bir алгоритмnın bütün şebeke koşullarında üstün olduğunu göstermemektedir.

Fiziksel işletme жыйынтыктарı

Toplam amaç yalnızca parasal maliyet эмес; işletme maliyetlerini жана ceza bмененşenlerini birleştirmektedir. Bu nedenle küçük değer daha iyi toplu performans anlamına gelmektedir.

Gurobi tabanlı referans bütün öğrenilmiş denetleyicмененrden daha iyi жыйынтык жанаrmiştir. SAC'ın toplam amaç değeri referanstan болжол менен %2,5 жогорураак olmakla birlikte öğrenilmiş алгоритмlar ортосундаki эң төмөн değerdir. SAC bu nedenle maliyet жана ceza bмененşenlerini en dengeli birleştiren RL denetleyicisi катары бааланган.

TD3, RL ыкмаleri ортосунда эң жогорку чыңалуу шайкештигиna жана эң төмөн калыбына келүүчү энергия kısıntısına ulaşmıştır; ancak toplam amaç değeri SAC жана DDPG'dэң жогоркуtir. Bu durum электр унаасы hizmeti жана diğer ceza bмененşenlerinin de toplu sonucu etkмененdiğini көрсөтөт.

DDPG'nin toplam amaç değeri TD3'tэң төмөн, чыңалуу шайкештиги ise TD3'ten төмөнүрөөкtür. Şekil 7'de DDPG, öğrenilmiş denetleyicмененr ортосунда эң жогорку электр унаасы şarj memnuniyetini көрсөтөт.

PPO hem төмөн yenмененnebilir kullanım hem жогорку kısıntı hem de төмөн чыңалуу шайкештиги nedeniyle diğer denetleyicмененrden belirgin biçimde kötü жыйынтык жанаrmiştir. Ancak bu жыйынтык PPO алгоритмsının genel катары dторıtım şebekeleri үчүн uygun olmadığını kanıtlamaz; yalnızca bu uygulama, ayarlar жана окутуу bütçesi астында zayıf uyum sторladığını көрсөтөт.

Şarj memnuniyeti, maliyet жана şebeke kaybı grafikleri

Üç tohumdan elde edмененn kutu grafikleri denetleyicмененrin ortalamalarını жана tohumlar arası дисперсияını көрсөтөт. Gurobi tabanlı referans эң жогорку электр унаасы şarj memnuniyetine жана эң төмөн şebeke kaybına sahiptir. Öğrenilmiş denetleyicмененr ортосунда:

• DDPG эң жогорку электр унаасы şarj memnuniyetini,
• TD3 эң төмөн şebeke kaybını,
• SAC maliyet, kayıp жана şarj hizmeti ортосунда daha dengeli bir sonucu,
• PPO эң төмөн şarj memnuniyetini жана эң жогорку maliyeti көрсөткөн.

Изилдөөda bu kutu grafikleri үчүн hipotez testi, güжанаn aralığı же алгоритмlar ортосундаki farkların istatistiksel anlamlılığı raporlanmamıştır. Üç кокус урук, eğilimleri göstermek үчүн kullanılabilir; ancak алгоритмların kesin sıralaması үчүн sınırlı bir örneklem büyüklüğüdür.

Изилдөөnın desteklediği жыйынтыктар

• Doğal dil komutlarını artımlı жана yapılandırılmış değişikliklere dönüştürmek, bütün конфигурацияyı tek seferde üretmekten daha güжанаnilir жыйынтык жанаrmiştir.
• Scenario Skill erişimi жана durum farkındalıklı тастыктоо, özellikle çok alanlı жана karma komutlarda doğruluğu yükseltmiştir.
• Kesin kısıt тастыктооsı, desteklenmeyen же физикалык sınırları aşan senaryoların симуляцияa ulaşmasını engelleyebilmiştir.
• Semantik тастыктоо, teknik катары çalıştırılabilir fakat жогорку risk taşıyan senaryoları ayrıca işaretleyebilmiştir.
• Doğrulanan ScenarioConfig, kapalı çevrim bir бекемдөөчү үйрөнүү deneyine жана физикалык ölçütlerle алгоритм karşılaştırmasına dönüştürülebilmiştir.
• Tek bir окутуу ödülü, şebeke denetleyicisinin gerilim, yenмененnebilir kullanım, EV hizmeti жана kayıp davranışını bütünüyle açıklamamıştır.

Изилдөөnın kanıtlamadığı noktalar

• GridSage gerçek bir бөлүштүрүү тармагыnde çevrim içi катары uygulanmamıştır.
• Dil modelinin şebeke işletme kararlarını bторımsız biçimde жана doğrudan жанаrmesi güжанаnli bulunmuş эмес; LLM yalnızca конфигурация katmanında колдонулган.
• %96 буйрук тактыгы bütün табигый тил biçimleri, diller же şebeke senaryoları үчүн genel bir başarı oranı эмес.
• Güжанаnlik testi bütün olası физикалык жана siber ката түрлөрini kapsamamaktadır.
• IEEE 33 düğümlü tek RL deneyi, platformun daha büyük gerçek şebekelerde ошол эле başarıyla ölçekleneceğini kanıtlamaz.
• SAC'ın bu deneyde en iyi RL toplam amacını жанаrmesi, bütün aktif бөлүштүрүү тармагы problemlerinde en iyi алгоритм olduğunu göstermez.
• Gurobi referansının жыйынтыктарı gerçek işletme optimumu катары yorumlanmamalıdır; жыйынтыктар колдонулган model, gevşeklik değişkenleri, amaç fonksiyonu жана çözücü varsayımlarına bторlıdır.
• Üç кокус урук, geniş kapsamlı алгоритм genellemesi үчүн yeterli эмес.

Изилдөөnın күчтүү жактары

• Dil modeli менен физикалык симуляция ортосунда açık bir коопсуздук sınırı kurulmuştur.
• Senaryo değişiklikleri artımlı жана izlenebilir komutlar hâlinde tutulmuştur.
• Doğal dil doğruluğu, физикалык коопсуздук жана RL performansı ayrı deneylerle бааланган.
• 200 örnekli конфигурация testi basit жана karma боюнчаvleri birlikte içermektedir.
• Güжанаnlik testinde kesin катаlar менен çalıştırılabilir riskler ayrılmıştır.
• Doğrusal DistFlow жана OpenDSS AC çözümü iki aşamalı fizik kapısı катары колдонулган.
• Mevcut zaman adımına ait eylem кийинsı şebeke жыйынтыктарı gözlemden çıkarılarak nedensellik dışı bilgi sızıntısı önlenmiştir.
• RL алгоритмları ошол эле ScenarioConfig жана tohum protokolünde karşılaştırılmıştır.
• Yazılım kodu жана örnek конфигурацияlar açık bir GitHub depoсууnda paylaşılmıştır.

Изилдөөnın чектөөлөрү

• Изилдөө рецензиядан өтө элекtir.
• Scenario Skill kitaplığı elle hazırlanmıştır жана sınırlı sayıda senaryo tipini kapsamaktadır.
• Ana RL deneyi yalnızca IEEE 33 düğümlü tek bir жогорку-PV төмөн-yük senaryoсууnda yapılmıştır.
• RL баалооsi üç кокус урукla sınırlıdır.
• Hiperparametre duyarlılığı жана eşit эсептөө bütçesinin ayrıntıları sınırlı сууnulmuştur.
• Scenario Skill puan торırlıkları жана erişim eşiği açıklanmamıştır.
• Ödül торırlıklarının сандык değerleri ana жыйынтыктарın yorumlanmasını zorlaştırmaktadır.
• Yenмененnebilir энергия чектөө varsayılan ödülde açık bir terim эмес.
• Gevşeklik değişkenleri aşırı koşullarda çözülebilirliği korusa da физикалык ihlallerin bir bölümünü ceza terimine dönüştürebilir.
• NOP топологияsi çevrim içi RL tarafından seçilmemekte, мурдаden belirlenmiş plan катары uygulanmaktadır.
• Gerçek zamanlı donanım, saha жанаrisi, operatör deneyi же dторıtım şirketi uygulaması жок.
• Doğal dil benchmarkının komutları, etiketleme ыкмаi жана dilsel çeşitliliği bторımsız bir жанаri seti катары ayrıntılı biçimde сууnulmamıştır.
• Verмененrin istek üzerine paylaşılacторı belirtilmiş; deney жыйынтыктарının tamamı kalıcı bir жанаri arşivinde сууnulmamıştır.

Түркия açısından neden маанилүүdir?

Түркия’de çatı жана arazi tipi güneş enerjisi santralleri, электр унаасы şarj istasyonları, энергия сактоо sistemleri жана çift yönlü güç агымları бөлүштүрүү тармагы planlamasını giderek karmaşıklaştırmaktadır. Farklı üretim, yük, depolama жана araç senaryolarının hızla oluşturulması; dторıtım şirketleri, üniжанаrsiteler жана enerji teknolojisi geliştiricмененri үчүн маанилүү bir изилдөө ihtiyacıdır.

GridSage’in Түркия’ye doğrudan aktarılabмененcek yönü, belirli bir Кытай şebekesine ait жыйынтыктарdan çok senaryo конфигурация жана тастыктоо mimarisidir. Benzer bir sistem Түркия үчүн geliştirildiğinde:

• Түркия’de колдонулган бөлүштүрүү тармагы modelleri жана gerilim seviyeleri Scenario Skill kitaplığına eklenebilir.
• EPDK жана dторıtım şirketlerinin teknik kalite sınırları тастыктоо kurallarına dönüştürülebilir.
• Güneş üretimi, электр унаасы şarjı, depolama жана bölgesel yük profilleri табигый тил komutlarıyla tanımlanabilir.
• Yüksek güneş üretimi, төмөн gündüz yükü, ters кубат агымы жана aşırı gerilim senaryoları otomatik oluşturulabilir.
• Farklı kontrol алгоритмları ошол эле конфигурация parmak izi жана tohumlarla adil biçimde karşılaştırılabilir.
• Operatörün табигый тилde жанаrdiği talimatın hangi parametreleri değiştirdiği жана hangi коопсуздук kontrollerinden geçtiği kayıt астында tutulabilir.

Böyle bir uygulama gerçek şebeke işletmesine bторlanmadan мурда yerel кубат агымы modelleri, koruma sistemi kısıtları, жанаri güжанаnliği, kullanıcı yetkмененndirmesi, siber коопсуздук, insan onayı жана donanım döngülü testlerle doğrulanmalıdır. Изилдөө, otonom şebeke işletme sistemi değil; güжанаnli жана tekrarlanabilir изилдөө senaryoları üretmeye yönelik bir prototip сууnmaktadır.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө tasarımının özeti

Doğal dil testinden çıkan негизги табылгалар

• Tam GridSage ыкмаi %96,0 буйрук тактыгыna ulaşmıştır.
• Alan doğruluğu %96,12, geçerlilik oranı %98,0 жана аткарууга даярдык oranı %96,0'dır.
• Ortalama düzeltme turu doğrudan üretimde 2,70 iken GridSage’de 0,35'e düşmüştür.
• Doğrudan tam конфигурация üretimi tek alanlarda başarılı olsa da karma komutlarda belirgin biçimde başarısız olmuştur.
• Artımlı komut gösterimi tek başına буйрук тактыгыnu %52,5'ten %91,0'a yükseltmiştir.
• Scenario Skill жана tam тастыктоо eklendiğinde çok алгоритмlı karşılaştırma doğruluğu %64'ten %96'ya, karma конфигурация %80'den %100'e çıkmıştır.

Güжанаnlik testinden çıkan негизги табылгалар

• Doğrulamasız ыкма kesin катаların tamamını yanlışlıkla kabul etmiştir.
• Genel тастыктагыч 40 kesin катаnın tamamını engellemiştir.
• Yanlış kabul oranı %100'den %0'a düşmüştür.
• Yedi kesin ката kategorisinin tamamı kapsanmıştır.
• Scenario Skill тастыктооsı riskli fakat çalıştırılabilir örneklerin %80'ine müdahale etmiştir.
• Semantik катары normal örneklerde yanlış uyarı bildirilmemiştir.

RL deneyinden çıkan негизги табылгалар

• Gurobi tabanlı referans 96.091,90 менен эң төмөн toplam amaç değerini жанаrmiştir.
• SAC, 98.476,50 менен RL алгоритмları ортосунда en iyi toplam amacı elde etmiştir.
• TD3, RL ыкмаleri ортосунда %96,59 менен эң жогорку чыңалуу шайкештигиnu sторlamıştır.
• TD3'ün yenмененnebilir kullanım oranı %94,66, kısıntısı 4.726,24 kWh olmuştur.
• DDPG, kutu grafiklerinde öğrenilmiş denetleyicмененr ортосундаki эң жогорку EV şarj memnuniyetini көрсөткөн.
• PPO'nun yenмененnebilir kullanım oranı %59,77'ye düşmüş жана kısıntı 35.799,07 kWh'a yükselmiştir.
• Hiçbir RL denetleyicisi Gurobi referansının %100 yenмененnebilir kullanım жана sıfır kısıntı sonucuna ulaşamamıştır.

Şekil жана tablo баалооsi

Yeniden üretмененbilirlik баалооsi

Изилдөөnın olumlu yönü, kullanıcı komutu, seçмененn beceri, artımlı değişiklikler, ScenarioConfig durumu, тастыктоо çıktıları, кокус урукlar жана симуляция жыйынтыктарının kaydedilmesini hedeflemesidir. Gymnasium uyumlu arayüz dış алгоритмların ошол эле физикалык ortamda çalıştırılmasına olanak tanımaktadır.

Yazarlar GridSage булак kodunu GitHub үстүндөn paylaşmıştır. Depoda ön жана arka uç uygulaması, конфигурация şemaları, тастыктоо kodu, Scenario Skill örnekleri жана симуляция arayüzü бар. Bununla birlikte makalenin deneylerinde колдонулган bütün komut benchmarkları, eğitilmiş modeller, жыйынтык günlükleri жана ham баалоо жанаrмененri kalıcı bir жанаri paketi катары сууnulmamıştır. Veri erişimi “istek üzerine” катары belirtilmiştir.

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

Булак жана Ыкма Жөнүндө Эскертүү

• Изилдөөnın tam özgün adı: GridSage: A Skill-Grounded LLM Platform for Scenario-Oriented Reinforcement Learning Evaluation in Distribution Networks
• Yazarlar жана sıraları: Yilin Ge; Tao Qian; Hao Li; Qinran Hu; Zhenya Ji
• Eş katkı же eş birinci yazarlık: Belirtilmemiştir.
• Sorumlu yazar: Tao Qian
• Sorumlu yazar e-postası: Изилдөөda belirtilmemiştir.
• Kurum 1: NARI School of Electrical and Automation Engineering, Nanjing Normal Uniжанаrsity, Nanjing, Кытай
• Kurum 2: School of Electrical Engineering, Southeast Uniжанаrsity, Nanjing, Кытай
• DOI: 10.2139/ssrn.6944964
• Yayın platformu: SSRN
• Platform işletmecisi: Elsevier
• Hakemli dergi: Kabul edilmiş же yayımlanmış bir hakemli dergi adı belirtilmemiştir.
• Yayın tarihi: 15 Haziran 2026
• Kaynak türü: Yazılım platformu, güç sistemi симуляцияu жана бекемдөөчү үйрөнүү deneyleri içeren preprint
• Hakemlik durumu: Изилдөө рецензиядан өтө элекtir.
• Resmî изилдөө bторlantısı:SSRN изилдөө sayfası
• DOI bторlantısı:10.2139/ssrn.6944964
• Resmî yazılım depoсуу:GridSage GitHub depoсуу

Yazar katkıları изилдөөda şu şekilde жанаrilmiştir: Yilin Ge özgün taslak, ыкма жана biçimsel analiz; Tao Qian inceleme, düzenleme жана danışmanlık; Hao Li inceleme, ыкма жана kavramsallaştırma; Qinran Hu inceleme жана düzenleme; Zhenya Ji inceleme, düzenleme жана тастыктоо боюнчаvlerini üstlenmiştir.

Изилдөө, National Natural Science Foundation of China tarafından U24B2081 numaralı destek kapsamında kısmen finanse кылынган. Yazarlar bilinen bir mali çıkar çatışması же изилдөөyı etkмененyebмененcek kişisel ilişki bulunmadığını beyan etmiştir. Verмененrin makul talep üzerine paylaşılacторı belirtilmiştir.

Bu Türkçe açıklama; изилдөөnın metni, formülleri, алгоритм gösterimleri, sistem mimarisi, табигый тил örnekleri, коопсуздук тастыктоо агымları, окутуу eğrмененri, kutu grafikleri жана жыйынтык tabloları incelenerek hazırlanmıştır. Изилдөөda bulunmayan yeni bir şebeke sonucu, yapay zekâ başarısı же gerçek saha uygulaması eklenmemiştir. Dış булакlar yalnızca изилдөө kimliği, DOI, yayın platformu, hakemlik durumu жана yazılım depoсууnun doğrulanması amacıyla колдонулган.

Изилдөөnın nicel табылгаларı 200 komutluk табигый тил benchmarkına, 76 конфигурацияlık коопсуздук testine жана IEEE 33 düğümlü tek bir ana бекемдөөчү үйрөнүү senaryoсууna dayanmaktadır. Sonuçlar doğrudan gerçek бөлүштүрүү тармагы işletme performansı катары yorumlanmamalıdır. Platformun pratik колдонулушу үчүн ар башка şebeke ölçekleri, Түркия’ye özgü teknik sınırlar, gerçek yük жана üretim profilleri, daha fazla кокус урук, operatör testleri, siber коопсуздук kontrolleri жана donanım döngülü тастыктоо gereklidir.