Bu çalışma, yük atma sırasında elektrik şebekesinin yapısı dakikalar içinde değişirken üretim birimlerinin ne kadar güç sağlayacağını yeniden belirlemek amacıyla karar odaklı, uyarlanabilir bir yapay zekâ çerçevesi önermektedir. Model; 2015-2021 dönemi eğitim verileri, 2022-2025 dönemine ait 904 günlük değerlendirme paneli, varyasyonel otomatik kodlayıcı tabanlı anomali tespiti, parametre uzayında Jacobian önem puanı ve biyoenerji-batarya eş optimizasyonunu bir araya getirmektedir. Çalışma, önerilen yöntemin model öngörülü kontrole göre toplam dağıtım maliyetini yüzde 23,4 azalttığını, tam model eğitimine yakın sonuçları 4,2 dakikalık uyarlama süresiyle ürettiğini ve yaklaşan arızaları ortalama 41,5 dakika önceden yüzde 91,7 oranında tespit ettiğini bildirmektedir. Bununla birlikte çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; temel SCADA verileri kamuya açık değildir, sonuçların belirsizlik aralıkları verilmemiştir ve bazı ekonomik, aritmetik ve boyutsal sonuçlar PDF’deki bilgilerle bağımsız olarak yeniden üretilememektedir.

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

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

Araştırmanın temel problemi nedir?

Ekonomik üretim dağıtımı (economic dispatch), elektrik talebini karşılamak için hangi üretim biriminin hangi anda ne kadar güç sağlayacağını belirleme problemidir. Amaç yalnızca talep ile üretimi eşitlemek değildir. Üretim maliyetleri, jeneratör sınırları, frekans ve gerilim güvenliği, iletim kayıpları, rampalama hızları, depolama durumu ve karşılanamayan enerji gibi çok sayıda koşulun aynı anda dikkate alınması gerekir.

Çalışmanın ele aldığı özel durum Güney Afrika’daki yük atma uygulamasıdır. 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 güç akışı ilişkileri, hat bağlantıları ve üretim-talep dengeleri birkaç dakika içinde geçerliliğini kaybedebilir.

Yazarın temel iddiası, geleneksel yapay zekâ dağıtım modellerinin geçmiş verilerin istatistiksel yapısının gelecekte de aynı kalacağını varsaymasıdır. Biyokütle nemi, biyogaz üretimi, kömür santrali arızaları ve yük atma aşamaları birlikte değiştiğinde bu durağanlık varsayımı bozulmaktadır. Modelin tamamını yeniden eğitmek ise çalışmada 6,8 saat sürmekte, otomatik üretim kontrolünün beş dakikalık karar döngüsüne yetişememektedir.

Literatürde hedeflenen boşluk

Çalışma üç literatür alanının kesişimindeki boşluğu hedeflemektedir:

• Biyoenerji kaynaklarının mevsimsel ve günlük değişkenliği altında ekonomik üretim dağıtımı,
• Şebeke topolojisinin sürekli değiştiği yük atma koşullarında çevrim içi yapay zekâ 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 dağıtımı 62 yayınla en geniş küme, uyarlanabilir yöntemler 34 yayın, klasik ve model öngörülü yöntemler 28 yayın, biyoenerji odaklı çalışmalar 21 yayın ve Sahra Altı Afrika bağlamı 11 yayın olarak gösterilmiştir. Balonların düşey konumu ortalama atıf sayısını, büyüklüğü yayın sayısını temsil etmektedir. Araştırma boşluğu biyoenerji, uyarlanabilir öğrenme ve Afrika şebekelerinin kesişiminde tanımlanmıştır.

Bununla birlikte bibliyometrik incelemenin ayrıntılı eleme süreci, yinelenen kayıt kontrolü, çalışma kalitesi değerlendirmesi 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 temel hipotez kurulmuştur:

1. VAS erken uyarı hipotezi: Varyasyonel anomali puanının, geleneksel RMS gerilim izleme yönteminden daha erken uyarı sağlayacağı öne sürülmüştür.
2. Salınım bastırma hipotezi: Seyrek proksimal gradyan güncellemelerinin biyogaz üretim komutlarındaki hızlı ileri-geri değişimleri azaltacağı ileri sürülmüştür.
3. Aşama şiddeti hipotezi: Yük atma aşaması yükseldikçe uyarlanabilir yöntemin sabit parametreli modellere karşı avantajının artacağı öngörülmüştür.
4. Eksik veri dayanıklılığı hipotezi: SCADA kanallarının yüzde 20’si kaybolduğunda toplam performans kaybının dört yüzde puanından az kalacağı iddia edilmiştir.

PDF bütün hipotezlerin desteklendiğini bildirmektedir. Ancak hipotez sonuçları çoğunlukla tek bir deneysel panel üzerindeki nokta tahminlerine dayanmaktadır. Çoklu rastgele başlangıçlar, güven aralıkları, hipotez testleri veya bağımsız saha tekrarları sunulmamıştır.

Karar odaklı amaç fonksiyonu neyi değiştirmektedir?

Geleneksel yapay zekâ 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 farklı yakıt, gerilim 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, yapay zekâ modelinin parametre vektörüdür.
• S, mevcut şebeke durumu ve SCADA ölçümleridir.
• P(θ,S), modelin üretim birimlerine verdiği MW cinsinden güç komutlarıdır.
• C(P), yakıt ve işletme maliyetini temsil eden toplam maliyet fonksiyonudur.
• R(P), frekans, gerilim ve karşılanamayan enerji ihlallerini içeren vektördür.
• λ, bu ihlallere verilen maliyet ağırlıklarını göstermektedir.

Çalışmada frekans sapması için R 50.000/Hz, gerilim ihlali için R 20.000/yüzde puanı ve karşılanamayan enerji için R 1.000.000/MWh ceza ağırlıkları kullanılmıştır. Bu değerlerin 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 göstermektedir.

İkili çalışma kararları nasıl yaklaşıklaştırılmıştır?

Bir üretim biriminin açık veya kapalı olması normalde ikili bir değişkendir. İkili optimizasyon gerçek zamanlı eğitimde zor olduğundan çalışma bu kararları 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^* gerçek açma-kapama kararı, σ(v^c) ise sürekli yaklaşımıdır. Çalışma, Eskom panelindeki ampirik gevşetme boşluğunu toplam maliyetin yüzde 0,4’ü olarak bildirmektedir.

Seyrek gradyan uyarlaması nasıl çalışmaktadır?

Önerilen modelin ana yeniliği, dağıtım hatası oluştuğunda bütün yapay sinir ağı parametrelerini güncellemek yerine yalnızca en etkili katman veya parametre bloklarını seçmesidir. Dağıtım modelinin parametre bloğuna göre Jacobian matrisi şu şekilde 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 göstermektedir.

Jacobian geri yayılım zinciriyle hesaplanmıştır:

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

a^(k), sinir ağının 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 gerçek güç dağıtım çıktıları üzerindeki duyarlılığını ölçmektedir.
• İki terimin çarpımı, hem maliyetle hem de fiziksel dağıtım 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 yüzde 6’sıdır.

Uyarlama oranı neden sabit değildir?

Her anomali aynı hızda gelişmediği için çalışma güncellenecek parametre oranını anomali puanının değişim hızına bağlamıştır:

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

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

• r_min = 0,03: normal çalışma sırasında yüzde 3 güncelleme,
• r₀ = 0,06: temel alarm güncellemesi,
• r_max = 0,15: felaket niteliğinde unutmayı önlemek için yüzde 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 uygulamaktadır:

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

L1 cezası büyük parametre sıçramalarını sınırlandırarak modelin dağıtım 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 ağırlıkları hem de proksimal L1 cezası için kullanılmaktadır. Bu iki rol matematiksel olarak farklıdır. Aynı sembolün iki farklı parametreyi temsil etmesi uygulama ve yeniden üretim açısından belirsizlik yaratmaktadır.

Yakınsama teoremi neyi garanti etmektedir?

Çalışmada sunulan teorem, seçilen parametre alt uzayında amaç fonksiyonu L-düzgün ve μ-kuvvetli dışbükey olduğunda doğrusal yakınsama 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 yakınsama hızının O(1/T) düzeyine gerilediği belirtilmektedir.

Bu garanti koşulludur. Kullanılan üç katmanlı sinir ağı ve varyasyonel kodlayıcı genel olarak dışbükey olmayan modellerdir. PDF, karar odaklı kaybın seçilen parametre alt uzayında güçlü dışbükey olduğunu ampirik olarak göstermemektedir. Dolayısıyla teorem bütün sinir ağının küresel optimuma ulaşacağını kanıtlamaz; 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 varyasyonel otomatik kodlayıcı (variational autoencoder, VAE) kullanılmıştır. Kodlayıcı, SCADA ölçümlerini 64 boyutlu gizli bir uzayda olasılık dağılımına dönüştürmektedir.

Anomali puanı negatif kanıt 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 yaklaşık dağılımıdır.
• p(z), eğitim verisinden öğrenilmiş standart normal önsel dağılımdır.
• KL terimi, mevcut şebeke durumunun öğrenilmiş normal durumdan uzaklığını ölçmektedir.
• Yeniden oluşturma terimi, kodlayıcının mevcut SCADA ölçümlerini ne kadar iyi açıklayabildiğini göstermektedir.

Puan doğrulama kümesindeki değerlerin yüzde 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 eşdeğerlik iddia etmediğini özellikle belirtmektedir. Buradaki operasyonel sinyal, VAE’nin negatif ELBO değeridir ve dağılım kaymasını tespit eden istatistiksel bir anomali puanı olarak kullanılmaktadır.

VAS ile fiziksel şebeke ölçümleri arasındaki ilişki

RMS gerilim izleme tek bir düğümdeki gerilim değişimini takip ederken VAS frekans eğimleri, bölgeler arası güç akışları, biyogaz kullanılabilirliği ve diğer SCADA kanallarını ortak gizli uzayda değerlendirmektedir. Çalışmanın erken uyarı iddiası bu çok değişkenli 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 dağıtım ağı,
4. Anomali puanını değerlendiren kontrolcü,
5. AGC biçimindeki üretim komutu ve SHA-256 denetim kaydı.

Kodlayıcı, son 30 adet beş dakikalık ölçümü kapsayan 150 dakikalık hareketli pencereyi işlemektedir. Bir boyutlu evrişim ağı sırasıyla 64, 128 ve 64 filtre kullanmakta, çekirdek büyüklüğü 5 olarak belirlenmektedir. Gizli uzay 64 boyutludur. Dağıtım ağı 256 ve 128 nöronlu iki gizli katman ile N adet üretim çıkışından oluşmaktadır.

Biyoenerji elektrik çıktısı nasıl modellenmiştir?

Biyoenerji tesisinin net elektrik üretimi şu temel 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 değeridir.
• 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 bağlı olarak yüzde 30 ile yüzde 52 arasında değişebildiğini ve bunun sabit hammadde kütlesinde etkili enerji içeriğini yüzde 30-40 değiştirebildiğini belirtmektedir.

Biyogazın mevsimselliği

Biyogaz kullanılabilirliği Beta dağılımı 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 değerleri verilmiştir. W(t) haftanın gününe bağlı 0,85-1,00 aralığındaki faktördür.

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

Boyut notu: PDF nomenklatüründe Q_b(t) MW cinsinden biyogaz 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 denklem boyutsal olarak eksiktir. Çalışma bu ölçeklendirmeyi açıkça tanımlamamıştır.

Biyoenerji ve batarya eş optimizasyonu

Güneş, biyogaz, batarya 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, biyogaz üretimidir.
• P_c, batarya şarj gücüdür.
• P_d, batarya deşarj gücüdür.
• P_g, termik yedek üretimidir.
• E(t), MWh cinsinden batarya enerji durumudur.

Batarya yıpranma modeli

Batarya yıpranması deşarj derinliğine bağlı 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 kullanılmıştır. Şekil 7’nin sağ grafiği, şarj durumu yüzde 20’nin altına düştüğünde yıpranma cezasının hızla yükseldiğini göstermektedir. Model bu nedenle bataryanın derin deşarjını sınırlamaya çalışmaktadır.

Yazar, derin deşarj döngülerinin yüzde 41 azaldığını ve batarya takvim ömrünün 2,3 yıl uzadığını bildirmektedir. Ancak PDF’de başlangıç batarya ömrü, sıcaklık koşulları, çevrim sayısı, kapasite kayıp eğrisi veya 2,3 yıllık sonuca götüren ayrıntılı hesap tablosu 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 dakikalık karar aralığı kullanılmış; rampalama sınırı bir dakikada nominal kapasitenin yüzde 5’i, en kısa açık ve kapalı kalma süresi altı aralık, yani 30 dakika olarak belirlenmiştir.

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

Çöp gazı ve karbon kredisi

Çöp sahası 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 göstermektedir.

Birim notu:Q_LFG metreküp gaz, karbon kredisi fiyatı ise genellikle ton CO₂-eşdeğeri 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 değildir.

Denetim ve yönetişim

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

• Zaman damgası,
• VAS değeri,
• Güncellenen parametre blokları,
• Gradyan değerleri,
• Güncelleme öncesi ve sonrası dağıtım maliyeti.

Bir kayıt sonradan değiştirilirse takip eden hash değerleri geçersiz hâle geleceği için değişiklik tespit edilebilir. Bu yaklaşım kayıt bütünlüğü sağlar; ancak kararın 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 belirtmektedir. Gerekli bölgesel veri bulunmadığından bu eşitlik çalışmada deneysel olarak test edilmemiştir.

Veri seti ve değerlendirme düzeni

Çalışma, 23 üretim birimini içeren bir Eskom paneli tanımlamaktadır:

• 14 kömür birimi,
• 2 nükleer birim,
• 3 gaz veya dizel birimi,
• 3 REIPPPP biyoenerji 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 kullanılmıştır. Test paneli günde 288 adet beş dakikalık 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 belirtmektedir. Buna karşılık gerçek Eskom SCADA verilerinin gizlilik nedeniyle kamuya açık olmadığı, aynı istatistiksel özelliklere sahip sentetik vekil verilerin sağlandığı da yazılmıştır.

Bu açıklama gerçek beş dakikalık ölçümlerin, yıllık raporlardan türetilen değerlerin ve sentetik verilerin test panelinde hangi oranlarda kullanıldığını açık biçimde ayırmamaktadır. Ham SCADA kayıtları paylaşılmadığı için temel Eskom sonuçlarının bağımsız yeniden üretimi sınırlıdır.

Karşılaştırılan modeller

Temel maliyet sonuçları

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

Metinde liyakat sırası yöntemi için “yüzde 1,6 maliyet azalması” ifadesi kullanıldıktan sonra yöntemin MPC’den yüzde 1,6 kötü olduğu yazılmıştır. Tablodaki değer -%1,6 olduğundan doğru yorum maliyet azalması değil, MPC’ye göre yüzde 1,6 maliyet artışıdır.

Uyarlama süresindeki aritmetik sorun

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

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

Bu sonuç yaklaşık yüzde 98,97 süre azalmasına karşılık gelir. Yüzde 94 değeri farklı bir işlem, donanım kullanımı veya ek yük ölçütüne dayanıyorsa bu ölçüt PDF’de açıklanmamıştır. Aynı bölüm teorik işlem azalmasını yüzde 99,9 olarak vermektedir.

Anomali tespit sonuçları

Çalışma 12 arıza öncesi olayın 11’ini tespit ederek yüzde 91,7 duyarlılık ve yüzde 3,7 yanlış pozitif oranı bildirmektedir. Ortalama erken uyarı 8,3 beş dakikalık aralık, yani 41,5 dakikadır.

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

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

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

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

Ayrıca yüzde 91,7 tespit oranı yalnızca 12 arıza olayı üzerinden hesaplanmıştır. Bir olayın eklenmesi veya çıkarılması oranı yaklaşık 8,3 yüzde puanı değiştirmektedir. Bu nedenle sonuç geniş olay kümeleriyle doğrulanmadan kararlı bir saha performansı olarak yorumlanmamalıdır.

Ablasyon analizi ne göstermektedir?

VAS kaldırıldığında maliyet avantajı 9,5 yüzde puanı, seyrek parametre seçimi kaldırıldığında 4,1 yüzde puanı azalmıştır. Bu sonuçlar, çalışmanın kendi deney düzeninde hem güncelleme zamanlamasının hem de seçici parametre güncellemesinin performansa katkı sağladığını göstermektedir.

Biyogaz komutlarındaki hızlı salınım

Şekil 5, Aşama 4 başlangıcından sonraki 20 aralıkta üç yöntemi karşılaştırmaktadır. Tam gradyan inişini temsil eden kırmızı çizgi yaklaşık 0,3 ile 0,95 normalize güç arasında hızlı ileri-geri hareket etmektedir. Seyrek yöntem yeşil çizgiyle daha yumuşak bir seyir izlemektedir. MPC gri kesikli çizgiyle en düşük değişkenliği göstermektedir.

Seyrek model tam gradyan inişine göre toplam değişimi yaklaşık 4,2 kat azaltmıştır. Bununla birlikte MPC’nin toplam değişimi 0,08 ile seyrek modelden daha düşüktür. Çalışmanın sonucu, seyrek yöntemin bütün yöntemlerden daha yumuşak olduğu değil, tam ağ güncellemesine göre salınımı belirgin biçimde azalttığıdır.

Seyreklik oranı duyarlılığı

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

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 ölçüm kanallarının yüzde 10’u rastgele kapatıldığında genel maliyet azalması yüzde 23,4’ten yüzde 22,1’e, yüzde 20’si kapatıldığında yüzde 19,8’e düşmüştür. Yüzde 20 maskeleme 3,6 yüzde puanı kayba karşılık geldiği için çalışma dördüncü hipotezin desteklendiğini belirtmektedir.

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

KKT uygunluk kontrolü

Çalışma, 904 günlük paneldeki bütün çözümleri Karush-Kuhn-Tucker koşullarına 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 yüzde 99,97’sinde karşılanmış; yüzde 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 kararlarının 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 yüzde 20, yüzde 50 ve yüzde 100 artırılmış; yük atma süresi temel durumda ve iki katına çıkarılmış durumda karşılaştırılmıştır. Renk haritasındaki maliyet avantajı yüzde 18,1 ile yüzde 24,9 arasında kalmıştır.

Biyoyakıt maliyeti yüzde 100 arttığında biyoenerjinin ekonomik avantajı azalmakta ve termik yedek üretime daha fazla ağırlık verilmektedir. Yük atma süresi iki katına çıkarıldığında VAS erken uyarısı 8,3 aralıktan 6,1 aralığa düşmüş, tespit oranı yüzde 87,5 olarak bildirilmiştir.

Avrupa ve Gana doğrulaması

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

Bu sonuçlar PDF’de toplu değerler olarak verilmiştir. Ülke bazında örnek sayıları, maliyet katsayıları, eğitim-test ayrımı, hata dağılımları ve istatistiksel belirsizlikler sunulmamıştır. Dolayısıyla sonuçlar farklı kıtalara aktarılabilirlik için bir ön gösterimdir; kapsamlı dış doğrulama değildir.

R 3,1 milyarlık tasarruf tahmini yeniden üretilebilir mi?

Çalışma, yüzde 23,4 maliyet azalmasının MPC’ye göre R 3,1 milyar, gerçek liyakat sırası uygulamasına göre R 4,7 milyar tasarrufa karşılık geldiğini bildirmektedir. Hesaplama açıklamasında şu değerler verilmektedir:

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

Bu değerlerin 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 sonuç PDF’de verilen R 3,1 milyardan çok daha yüksektir. Elbette 29 GW tepe talebinin tamamının her aralıkta termik yedek üretim olarak değerlendirilmesi gerçekçi değildir. R 3,1 milyarlık sonuç daha küçük bir termik yedek enerji hacmine veya ek bir ölçekleme katsayısına dayanmış olabilir. Ancak kullanılabilir enerji miktarı, kapasite faktörü, yük atma saatleri veya uygun maliyet tabanı PDF’de verilmediği için R 3,1 milyarlık tahmin belirtilen girdilerden bağımsız olarak yeniden üretilememektedir.

Ayrıca değerlendirme matrisi 260.352 adet beş dakikalık aralık içerirken ekonomik etki hesabında 130.176 aralık kullanılmıştır. Bu sayının neden yarıya indirildiği açıklanmamıştır. Bu nedenle milyar Rand düzeyindeki ekonomik sonuç, yöntem performans tablosundan daha yüksek belirsizlikle ele alınmalıdır.

Çalışmanın güçlü yönleri

• Tahmin hatası yerine doğrudan dağıtım maliyetini hedefleyen karar odaklı bir amaç önermektedir.
• Anomali tespiti ile parametre güncellemesinin zamanlamasını birleştirmektedir.
• Güncellenecek parametreleri hem kayıp duyarlılığına hem de fiziksel güç çıkışına etkisine göre seçmektedir.
• Adaptif yüzde 3-15 güncelleme oranıyla olay şiddetine bağlı tepki tasarlamaktadır.
• Biyoenerji mevsimselliği, batarya yıpranması, rampalama ve karbon gelirini aynı modelde ele almaktadır.
• Ablasyon, eksik veri, yakıt maliyeti ve seyrekleştirme oranı duyarlılık analizleri sunmaktadır.
• Denetim kaydı ve KKT uygunluk kontrolünü model mimarisine dâhil etmektedir.
• Çalışma kendi yöntemsel sınırlarının bir kısmını ve VAS’ın termodinamik bir serbest enerji olmadığını açıkça belirtmektedir.

Çalışmanın temel sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Gerçek Eskom SCADA verileri kamuya açık değildir ve gerçek-sentetik veri ayrımı yeterince ayrıntılı sunulmamıştır.
• Yalnızca tek rastgele tohum kullanılmış; tekrarlar, standart sapmalar ve güven aralıkları raporlanmamıştır.
• VAS tespit oranı yalnızca 12 arıza öncesi olaydan hesaplanmıştır.
• Yanlış alarm/gün hesabı, süre azalması yüzdesi ve ekonomik tasarruf hesabında aritmetik uyumsuzluklar bulunmaktadır.
• Biyogaz ve karbon kredisi denklemlerinde birim veya kapasite ölçeklendirmesi eksiktir.
• Rampalama aşağı kısıtı, ünite açıkken üretim azaltmayı engelleyecek biçimde yazılmış görünmektedir.
• Yakınsama teoremi güçlü dışbükeylik varsayımına bağlıdır; kullanılan derin ağ için bu varsayım gösterilmemiştir.
• Batarya ömründeki 2,3 yıllık uzamayı yeniden üretmek için gerekli ayrıntılı ömür verileri sunulmamıştır.
• ENTSO-E ve Gana sonuçları ayrıntılı deney tabloları olmadan toplu değerler olarak verilmiştir.
• Eşitlik ağırlıklı yük kesme fonksiyonu önerilmiş ancak veri eksikliği nedeniyle test edilmemiştir.
• Saha pilotu yalnızca görüşme aşamasındadır; gerçek işletme başarısı gösterilmemiştir.
• Kodun ve bazı kalibre edilmiş parametrelerin ancak kabul sonrasında yayımlanacağı belirtilmiştir.

Çalışma neyi desteklemektedir?

• Sunulan değerlendirme panelinde seçici parametre güncellemesi tam yeniden eğitime yakın maliyet sonuçları vermiştir.
• VAS tetikleyicisi kaldırıldığında Aşama 5-6 performansı belirgin biçimde düşmüştür.
• Seyrek proksimal güncelleme tam gradyan inişine göre biyogaz 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.

Çalışma neyi kanıtlamamaktadır?

• Yöntemin gerçek Eskom kontrol merkezinde güvenli ve başarılı biçimde çalışacağını kanıtlamamaktadır.
• R 3,1 milyarlık tasarrufun gerçekleşeceğini güvenilir biçimde göstermemektedir.
• SHA-256 kaydının tek başına NERSA düzenleyici onayı sağlayacağını kanıtlamamaktadır.
• Yapay zekâ modelinin bütün koşullarda küresel optimuma yakınsayacağını göstermemektedir.
• VAS’ın bütün yük atma veya santral arızalarını 41,5 dakika önceden tespit edeceğini göstermemektedir.
• Bataryanın gerçek sahada kesin olarak 2,3 yıl daha uzun çalışacağını kanıtlamamaktadır.
• Güney Afrika sonuçlarının bütün Afrika veya Avrupa şebekelerine doğrudan aktarılabileceğini göstermemektedir.
• Eşitlik ağırlıklı yük kesmenin düşük gelirli bölgeleri gerçek işletmede koruyacağını göstermemektedir.

Toplumsal ve enerji sistemi açısından olası anlamı

Yöntem gerçek saha verileriyle doğrulanırsa, biyoenerji santrallerinin değişken hammadde koşullarına rağmen daha güvenilir biçimde dağıtıma katılmasına yardımcı olabilir. Hızlı uyarlama, yük atma aşamalarındaki ani topoloji değişimlerinde 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 ağırlığı 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 önemli güncel katkısı, bütün modeli yeniden eğitmek ile hiç uyarlama yapmamak arasında üçüncü bir yol önermesidir: yalnızca karar hatasından sorumlu parametreleri, şebeke bozulmadan önce güncellemek. Gelecek araştırmaların bu yaklaşımı gerçek SCADA akışları, çoklu bağımsız test yılları, farklı donanımlar, saha pilotları ve güvenilir ekonomik enerji hacimleriyle sınaması gerekmektedir.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Ana sayısal bulgular

Deneysel sonuçların teknik yorumu

• Parametrelerin yüzde 6’sının güncellenmesi, tam yeniden eğitimin genel maliyet kazancının yaklaşık yüzde 97’sini korumuştur.
• Yük atma şiddeti arttıkça sabit DQN, PPO ve LSTM modellerinin göreli performansı kötüleşirken uyarlanabilir modelin avantajı artmıştır.
• VAS olmadan sabit zamanlı güncelleme, olay ortaya çıkmadan önce uyarlanma avantajını kaybetmiştir.
• Seyreklik kaldırıldığında uyarlama süresi 4,2 dakikadan 68 dakikaya çıkmış ve performans 4,1 yüzde puanı düşmüştür.
• Güncellenen parametrelerin yüzde 78’inin biyoenerji ve depolama modüllerinde bulunduğu bildirilmiştir.
• Seyrek model biyogaz komutlarındaki toplam değişimi tam gradyan inişine göre 0,80’den 0,19 p.u. düzeyine indirmiştir.
• Performans r = 0,06 civarında en yüksek değerine ulaşmış, daha yüksek güncelleme oranlarında gerilemiştir.

Yayıma hazır olma değerlendirmesi

Çalışma kapsamlı bir kuramsal ve hesaplamalı çerçeve sunmakta, ancak sonuçları hakemlik, açık gerçek zamanlı veri, çoklu rastgele tekrar ve bağımsız saha testi olmadan nihai işletme kanıtı sayılmamalıdır. Özellikle ekonomik tasarruf, yanlış alarm sıklığı ve hesaplama süresi yüzdesindeki aritmetik uyuşmazlıklar yayımlanmış sürüm öncesinde açıklığa kavuşturulmalıdır.

Modelin beş dakikalık AGC döngüsüne 48 saniye farkla sığdığı bildirilmiştir. Bu marj ağ iletişimi, veri temizleme, güvenlik kontrolleri, KKT onarımı, insan onayı ve donanım yükü dâhil gerçek saha gecikmelerini içermiyorsa uygulamada yetersiz kalabilir. Pilot tesis görüşmesi saha uygulaması değildir ve gerçek dağıtım sistemindeki gecikme, güvenlik ve bakım gereksinimleri ayrıca test edilmelidir.

Kaynak ve Yöntem Notu

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 çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir. PDF’nin sayfalarında “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Kaynak türü: Hesaplamalı modelleme, yapay zekâ, optimizasyon ve enerji sistemi veri analizi araştırma preprinti.

Resmî bağlantı:SSRN özet ve kayıt sayfası.

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

Çıkar çatışması: Yazar herhangi bir çıkar çatışması bulunmadığını bildirmiştir.

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

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

İçerik hazırlama yöntemi: Bu Türkçe makale yüklenen PDF’nin tamamı; matematiksel denklemleri, tabloları, bibliyometrik grafik, model mimarisi, maliyet grafikleri, VAS eğrisi, duyarlılık haritası, biyogaz komut grafiği, batarya yıpranma eğrisi ve mevsimsel kullanılabilirlik grafiği birlikte incelenerek hazırlanmıştır. PDF dışından bilimsel bulgu eklenmemiştir. Dış doğrulama yalnızca DOI, yazar ve resmî SSRN kaynak kimliği için kullanılmıştır.

Temel yöntemsel uyarı: Temel sonuçlar hakemlikten geçmemiş, gerçek SCADA verileri kamuya açık olmayan ve bazı bölümlerinde sentetik vekil veri kullanan hesaplamalı bir çalışmaya dayanmaktadır. Maliyet azalması, erken uyarı ve batarya ömrü sonuçları gerçek saha işletme başarısı olarak yorumlanmamalıdır.

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