Akıllı Şebekelerde Güneş Enerjisi Üretiminin Zamana Bağlı Olasılıksal Tahmini

Year 2019, Volume: 7 Issue: 2, 411 - 424, 11.06.2019

Mehmet Demirtaş , Nuran Akkoyun Emrah Akkoyun İpek Çetinbaş

https://doi.org/10.29109/gujsc.549704

Cited By: 4

Abstract

Dünyada hızlı nüfus artışı ve fosil yakıt
kaynakları rezervlerinin azalışı ile birlikte özellikle güneş enerjisi olmak
üzere yenilenebilir enerji kaynaklarına olan talep her geçen gün artmaktadır.
Artan enerji ihtiyacını yenilenebilir enerji kaynakları ile akıllı bir yapı
formunda karşılayabilmek için akıllı şebekeler geliştirilmiştir. Akıllı
şebekelerin temel amaçlarından biri, enerji üretim sürecine yenilenebilir
enerji kaynaklarının dâhil edilmesi ve kullanımının arttırılmasıdır. Ancak,
mevcut elektrik şebekesi sistemlerine kesintili enerji üretimi yapan ve kontrol
edilemeyen yenilenebilir enerji kaynaklarının dâhil edilmesi beraberinde
çeşitli zorlukları da getirmektedir. Değişken elektrik enerjisi talebinin hangi
yenilenebilir kaynak tarafından ne zaman karşılanacağının belirlenmesi için
enerji üretiminin önceden tahmin edilmesi bu zorlukların en önemlilerindendir.
Bu sebeple bu çalışmada, atmosferik ölçümleri kullanarak santrale özgü ve saat
bazlı enerji üretimini tahmin eden bir model geliştirilmiştir. Bu model makine
öğrenmesi yaklaşımları ile oluşturulmuş ve enerji üretimi tahmini yapılmıştır.
Çoklu doğrusal regresyon, Powell optimizasyonu ve Markov Chain Monte Carlo
simülasyonlarına dayanan olasılıklı programlama gibi çeşitli yöntemler
kullanılmış ve tahmin yetenekleri birbirleriyle karşılaştırılmıştır. Enerji
üretimi analitik yaklaşımla %80 doğrulukla tahmin edilirken, olasılıksal
yaklaşımla saat bazlı %95 güven aralığında üst ve alt limitini belirtecek
şekilde başarılı tahmin edilmiştir. Bu çalışmada elde edilen sonuçlar makine
öğrenmesi ile atmosferik veriler kullanılarak değişken enerji üretiminin
önceden tahmin edilebileceğini göstermiştir. Ayrıca tahmin algoritmalarının,
yenilenebilir enerji sistemlerinin mevcut şebekeye entegrasyonunu kolaylaştıracağı
ve akıllı şebekeyi daha yaygın hale getireceği değerlendirilmektedir.

Keywords

Akıllı Şebeke, Güneş Enerjisi, Enerji Üretimi Tahmini, Makine Öğrenmesi

References

• [1] Sağbaş, A., Başbuğ, B. Sürdürülebilir Kalkınma Ekseninde Enerji Verimliliği Uygulamaları: Türkiye Değerlendirmesi. European Journal of Engineering and Applied Sciences, 1 (2018), 41-48.
• [2] Çetinbaş, İ., Tamyürek, B., Demirtaş, M. Eskişehir Osmangazi Üniversitesi Kampüsünde elektrik tüketim maliyetinin azaltılmasına yönelik FV üretim ve enerji depolama biriminden oluşan bir mikro şebekenin optimal tasarımı. EMO Bilimsel Dergi, 8 (2018), 33-38.
• [3] Chow, SKH, Lee, EWM, Li, DHW. Short-term prediction of photovoltaic energy generation by intelligent approach. Energy and Buildings, 55 (2012), 660-667.
• [4] Elektrik, Web Adresi: https://www.enerji.gov.tr/tr-TR/Sayfalar/Elektrik, Erişim Tarihi: 01.04.2019.
• [5] Ocak 2019 Aylık Enerji İstatistikleri Raporu-01, Web Adresi: https://www.eigm.gov.tr/File/?path=ROOT%2f4%2fDocuments%2f%C4%B0statistik%20Raporu%2f2019%20Ocak%20Ay%C4%B1%20Enerji%20Raporu.pdf, Erişim Tarihi: 01.04.2019.
• [6] State of California Executive Order S-21-09, Web Adresi: http://gov.ca.gov/executive-order/13269, Erişim Tarihi: 30.03.2019.
• [7] Sharma, N., Sharma, P., Irwin, D., Shenoy, P. Predicting solar generation from weather forecasts using machine learning. 2011 IEEE International Conference on Smart Grid Communications (SmartGridComm), (2011), 528-533.
• [8] Çetinbaş, İ., Tamyürek, B., Demirtaş, M. Design, analysis and optimization of a hybrid microgrid system using HOMER software: Eskişehir Osmangazi University example. International Journal of Renewable Energy Development, 8, (2019), 65-79.
• [9] Rose J, Chapman S. Freeing the grid best and worst practices in state net metering policies and interconnection procedures: 2009 edition. New York, NY: Network for New Energy Choices. Accessed April. 2009 Apr;11:2013.
• [10] Salvatier, J., Wiecki, TV, Fonnesbeck, C. Probabilistic programming in Python using PyMC3. PeerJ Computer Science, (2016), 10.7717/peerj-cs.55.
• [11] Powell, MJD. A fast algorithm for nonlinearly constrained optimization calculations. Numerical Analysis, (1978), 144-157.
• [12] OPSD: Open Power System Data; A free and open data platform for power system modelling, Web Adresi: http://open-power-system-data.org/, Erişim Tarihi: 30.03.2019.