Yapay zeka, elektrikli araçların şarj sürelerini tahmin etmekten orman yangını riskinin yüksek olduğu alanları belirlemeye kadar enerji ağımızı dönüştürüyor.
Daha fazla yenilenebilir enerji kaynağı devreye girdikçe elektrik şebekesi giderek daha karmaşık hale geliyor. Bir zamanlar az sayıda büyük enerji santrali çoğu eve istikrarlı bir akış sağlarken, şimdi milyonlarca güneş paneli değişken elektrik üretiyor. Giderek daha öngörülemez hale gelen hava koşulları, arz ile talebi dengeleme zorluğunu daha da artırıyor. Bu kaosu yönetmek için şebeke operatörleri giderek daha fazla yapay zekaya başvuruyor.
Yapay zekanın büyük miktarda veriden öğrenme ve karmaşık senaryolara yanıt verme yeteneği, onu şebekeyi istikrarlı tutma görevi için özellikle uygun hale getiriyor ve giderek artan sayıda yazılım şirketi, yavaş hareket etmesiyle ünlü enerji sektörüne yapay zeka ürünleri getiriyor.
ABD Enerji Bakanlığı da bu eğilimin farkına vararak yakın zamanda yapay zeka ile ilgili girişimleri de içeren çeşitli “akıllı şebeke” projelerine 3 milyar dolar hibe verdi.
Enerji sektöründe yapay zekâya duyulan heyecan aşikâr. Bazıları şimdiden, teoride günlük kararları almak için insana ihtiyaç duyulmayacak tam otomatik bir şebeke olasılığı hakkında spekülasyon yapıyor.
Ancak bu ihtimal henüz çok uzak; şimdilik vaat edilen, yapay zekanın insanlara yardım etme potansiyelinde yatıyor ve daha iyi şebeke yönetimi için gerçek zamanlı içgörüler sağlıyor. İşte yapay zekanın şebeke operatörlerinin işlerini yapma şeklini halihazırda değiştirdiği yollardan dördü.
- Daha hızlı ve daha iyi karar verme
Elektrik şebekesi sistemi genellikle şimdiye kadar yapılmış en karmaşık makine olarak tanımlanır. Şebeke çok geniş olduğu için, daha sonra ne olacağını tahmin etmek bir yana, herhangi bir kişinin belirli bir anda içinde olup biten her şeyi tam olarak kavraması bile imkansızdır.
Federal olarak finanse edilen bir araştırma enstitüsü olan Argonne Ulusal Laboratuvarı’nda bir bilim insanı olan Feng Qiu, yapay zekanın şebekeye üç temel şekilde yardımcı olduğunu açıklıyor: operatörlerin mevcut koşulları anlamalarına, daha iyi kararlar almalarına ve potansiyel sorunları tahmin etmelerine yardımcı olarak.
Qiu, makine öğreniminin şebeke operasyonlarını nasıl iyileştirebileceğini araştırmak için yıllarını harcadı. Ekibi 2019 yılında, 15 ABD eyaletine ve Kanada’nın bazı bölgelerine hizmet veren bir şebeke operatörü olan Midcontinent Independent System Operator (MISO) ile ortaklık kurarak, MISO’nun geniş ağıyla karşılaştırılabilir ölçekte bir şebekenin günlük planlamasını optimize etmeyi amaçlayan bir makine öğrenimi modelini test etti.
MISO gibi şebeke sistemi operatörleri her gün, ertesi gün ne kadar elektriğe ihtiyaç duyulacağını tahmin eden karmaşık matematiksel hesaplamalar yapar ve bu enerjiyi dağıtmanın en uygun maliyetli yolunu bulmaya çalışır.
Qiu’nun ekibinin makine öğrenimi modeli, bu hesaplamanın yapay zeka olmadan mümkün olandan 12 kat daha hızlı yapılabileceğini gösterdi ve gereken süreyi yaklaşık 10 dakikadan 60 saniyeye indirdi. Sistem operatörlerinin bu hesaplamaları günde birden fazla kez yaptığı düşünüldüğünde, zaman tasarrufu önemli olabilir.
Şu anda Qiu’nun ekibi, hava durumu, coğrafya ve hatta farklı mahallelerin gelir düzeyleri gibi faktörleri dahil ederek elektrik kesintilerini tahmin etmek için bir model geliştiriyor. Bu verilerle model, altyapısı zayıf olan düşük gelirli bölgelerde daha uzun ve daha sık elektrik kesintisi olasılığı gibi kalıpları vurgulayabilir. Daha iyi tahminler kesintileri önlemeye, afet müdahalesini hızlandırmaya ve bu tür sorunlar yaşandığında acıları en aza indirmeye yardımcı olabilir.
- Her ev için özel yaklaşım
Yapay zeka entegrasyon çalışmaları araştırma laboratuvarlarıyla sınırlı değil. Bir batarya ve şebeke teknolojisi girişimi olan Lunar Energy, müşterilerinin enerji kullanımlarını optimize etmelerine ve tasarruf etmelerine yardımcı olmak için yapay zeka yazılımı kullanıyor.
Lunar Energy’nin yazılım müdürü Sam Wevers, “Milyonlarca cihazdan oluşan bir ağınız var ve tüm verileri alıp yalnızca her bir müşteri için değil, aynı zamanda şebeke için de doğru kararı verebilecek bir sistem oluşturmanız gerekiyor” diyor. “Yapay zeka ve makine öğreniminin gücü burada devreye giriyor.”
Lunar Energy’nin Gridshare yazılımı on binlerce evden veri toplayarak elektrikli araçları şarj etmek, bulaşık makinelerini ve klimaları çalıştırmak ve daha fazlası için kullanılan enerji hakkında bilgi topluyor. Hava durumu verileriyle birleştirilen bu bilgiler, bireysel evlerin enerji ihtiyaçlarına ilişkin kişiselleştirilmiş tahminler oluşturan bir modeli besliyor.
Örnek olarak Wevers, bir sokaktaki iki evin aynı büyüklükte güneş panellerine sahip olduğu, ancak bir evin arka bahçesinde öğleden sonra gölge oluşturan uzun bir ağaç olduğu, bu nedenle panellerinin biraz daha az enerji ürettiği bir senaryoyu anlatıyor. Bu tür bir detayın herhangi bir kamu hizmeti şirketi tarafından hane düzeyinde manuel olarak takip edilmesi imkansızdır, ancak yapay zeka bu tür hesaplamaların büyük ölçekte otomatik olarak yapılmasını sağlar.
Gridshare gibi hizmetler temel olarak bireysel müşterilerin para ve enerji tasarrufu yapmasına yardımcı olmak için tasarlanmıştır. Ancak toplamda, kamu hizmeti şirketlerine enerji planlamasını iyileştirmelerine yardımcı olacak daha net davranış kalıpları da sağlar. Bu tür nüansları yakalamak şebeke duyarlılığı için hayati önem taşımaktadır.
- Elektrikli araçların şebeke ile çalışmasını sağlamak
Temiz enerjiye geçiş için kritik öneme sahip olsa da elektrikli araçlar şebeke için gerçek bir zorluk teşkil ediyor.
WeaveGrid’in kurucu ortağı ve CTO’su John Taggart, elektrikli araçların benimsenmesinin önemli bir enerji talebi yarattığını söylüyor. “En son [kamu hizmeti şirketlerinin] bu tür bir büyümeyle başa çıkmak zorunda kaldıkları zaman, klimaların ilk çıktığı zamandı” diyor.
Elektrikli araçların benimsenmesi aynı zamanda belirli şehirler ve mahalleler etrafında kümelenme eğilimindedir ve bu da yerel şebekeyi zorlayabilir. Bu yükü hafifletmek için San Francisco merkezli WeaveGrid, EV şarj verilerini toplamak ve analiz etmek için kamu hizmeti şirketleri, otomobil üreticileri ve şarj şirketleri ile işbirliği yapmaktadır.
WeaveGrid, şarj modellerini ve sürelerini inceleyerek en uygun şarj sürelerini belirliyor ve müşterilere araçlarını ne zaman şarj edecekleri konusunda kısa mesaj veya uygulama bildirimi yoluyla önerilerde bulunuyor. Bazı durumlarda müşteriler, kupon gibi mali teşvikler karşılığında şirketlere şebeke ihtiyaçlarına göre aküleri otomatik olarak şarj etme veya boşaltma konusunda tam kontrol veriyor. Bu da araçların kendilerini şebeke için değerli bir enerji depolama kaynağına dönüştürüyor. PG&E, DTE ve Xcel Energy gibi büyük kamu hizmeti şirketleri bu programa ortak oldu.
Güney Michigan’a hizmet veren Detroit merkezli bir kamu hizmeti şirketi olan DTE Energy, şebeke planlamasını iyileştirmeye yardımcı olmak için WeaveGrid ile çalıştı. Şirket, hizmet bölgesinde elektrikli araçların bulunduğu 20.000 evi tespit edebildiğini ve bu verileri uzun vadeli yük tahminlerini hesaplamak için kullandığını söylüyor.
- Felaketleri vurmadan önce tespit etmek
Bazı kamu hizmeti şirketleri, özellikle iletim hatları ve transformatörler gibi fiziksel altyapının denetlenmesi ve yönetilmesi gibi kritik operasyonlara yapay zekayı entegre etmeye başladı bile.
Örneğin, aşırı büyümüş ağaçlar elektrik kesintilerinin önde gelen nedenlerinden biridir, çünkü dallar elektrik tellerinin üzerine düşebilir veya yangınları tetikleyebilir. Geleneksel olarak elle yapılan denetimler norm haline gelmiştir, ancak iletim hatlarının genişliği göz önüne alındığında, bu birkaç ay sürebilmektedir.
Kuzey ve Orta Kaliforniya’yı kapsayan PG&E, bu denetimleri hızlandırmak için makine öğrenimini kullanıyor. Makine öğrenimi modelleri, dronlar ve helikopterler tarafından çekilen fotoğrafları analiz ederek ağaç kesilmesi gereken alanları belirliyor veya onarım gerektiren arızalı ekipmanları tespit ediyor.
Bazı şirketler daha da ileri gidiyor ve genel iklim risklerini değerlendirmek için yapay zekayı kullanıyor.
Geçtiğimiz ay Washington DC merkezli bir startup olan Rhizome, kamu hizmeti şirketlerinin enerji ekipmanlarının performansına ilişkin geçmiş verilerini alan ve bunları küresel iklim modelleriyle birleştirerek kar fırtınaları veya orman yangınları gibi aşırı hava olaylarından kaynaklanan şebeke arızalarının olasılığını tahmin eden bir yapay zeka sistemi başlattı.
Rhizome’un kurucu ortağı ve CEO’su Mish Thadani, bir kamu hizmeti şirketinin esnekliği artırmak için yapabileceği düzinelerce iyileştirme olduğunu, ancak bunların hepsini aynı anda ele alacak zamanı veya finansmanı olmadığını söylüyor. Bunun gibi yazılımlar sayesinde kamu hizmeti şirketleri artık hangi projelere öncelik verecekleri konusunda daha akıllıca kararlar alabiliyor.
Şebeke operatörleri için sırada ne var?
Yapay zeka tüm bu kararları hızlıca verebiliyorsa, şebekeyi işletmesine izin verip insan operatörleri evlerine göndermek mümkün mü? Uzmanlar hayır diyor.
Şebekeyi tamamen otomatikleştirebilmemiz için önümüzde birkaç büyük engel var. Güvenlik en büyük endişeyi oluşturuyor.
Qiu şu anda, olası kesintilere veya ekipman arızalarına nasıl yanıt verileceği gibi konularda kritik kararlarda hataları önlemek için sıkı protokoller ve kontroller olduğunu açıklıyor.
Qiu, “Elektrik şebekesi çok sıkı bir fiziksel yasayı takip etmek zorunda” diyor. Kontrollü matematiksel hesaplamaları geliştirmede harika olsa da, yapay zeka gerçek dünyada ortaya çıkan çalışma kısıtlamalarını ve uç durumları dahil etmede henüz kusursuz değil. Bu durum, öncelikli odak noktası güvenilirlik olan şebeke operatörleri için çok büyük bir risk oluşturuyor. Yanlış zamanda yanlış bir karar, büyük elektrik kesintilerine yol açabilir.
Veri gizliliği de bir başka sorun. Elektrik Enerjisi Araştırma Enstitüsü’nde üst düzey bir teknik yönetici olan Jeremy Renshaw, müşteri verilerinin anonimleştirilmesinin çok önemli olduğunu, böylece insanların günün hangi saatlerinde evde kaldıkları gibi hassas bilgilerin korunacağını söylüyor.
Yapay zeka modelleri, savunmasız toplulukları dezavantajlı hale getirebilecek önyargıları sürdürme riski de taşıyor. Renshaw, tarihsel olarak, yoksul mahallelerin genellikle elektrik kesintilerinden sonra elektriği en son geri alan mahalleler olduğunu söylüyor. Bu veriler üzerinde eğitilen modeller, kamu hizmetleri elektriği tekrar açmak için çalışırken onlara daha düşük bir öncelik atamaya devam edebilir.
Bu potansiyel önyargıları ele almak için Renshaw, şirketler yapay zekayı benimsedikçe işgücü eğitiminin önemini vurguluyor, böylece personel hangi görevlerin teknolojinin üstesinden gelmesi için uygun olduğunu ve olmadığını anlıyor.
“Muhtemelen bir vidayı çekiçle de çakabilirsiniz, ancak tornavida kullanırsanız muhtemelen çok daha iyi çalışır” diyor.
* Bu yazı Four ways AI is making the power grid faster and more resilient başlıklı yazıdan çevrilmiştir.
