Rüzgar Gücü Rampa Olaylarını En Aza İndirmek İçin Türkiye'de Kurulacak Rüzgar Enerjisi Santrallerinin Konumsal Dağılım Optimizasyonu

Year 2020, Volume: 8 Issue: 4, 959 - 971, 29.12.2020

İsrafil Karadöl Ceyhun Yıldız Mustafa Şekkeli

https://doi.org/10.29109/gujsc.711743

Cited By: 1

Abstract

Ülkeler artan enerji talebini karşılamak için geleneksel enerji kaynakları yerine yenilenebilir enerji kaynaklarına yönelmişlerdir. Rüzgar enerjisi bu yenilenebilir enerji kaynakları arasında önemli bir paya sahiptir. Rüzgar enerjisi, sürdürülebilir ve çevre dostu olmasının yanı sıra bazı olumsuz özelliklere de sahiptir. Bu olumsuz özelliklerden en önemlisi rüzgar enerjisinin iklimsel koşullara bağlı olarak anlık artış ve azalışlar göstermesinden kaynaklanmaktadır. Rüzgar Enerjisi Santrali (RES) üretimlerinde de görülen bu değişimler rampa olarak tanımlanmakta ve elektrik şebekelerinin işletiminde büyük problemlere neden olmaktadırlar. Oluşan rampa pozitif yönde (ani bir üretim artışı var) ise rampanın büyüklüğünde diğer tesislerin üretimlerinin azaltılması gerekmektedir. Negatif rampalarda (ani bir üretim azalışı var) ise oluşan enerji açığı büyüklüğünde diğer tesislerin üretimleri arttırılmaktadır. Negatif ve pozitif rampalar elektrik şebekesi işletiminde ek maliyetler oluşturmakta ve güç-frekans dengesine bozucu etki uygulamaktadır. Bu çalışmada öncelikle Türkiye’de işletilmekte olan tüm (161 adet) RES tesislerinin oluşturduğu rampalar istatistiksel olarak incelenmiştir. Daha sonra, bu rampa değerlerini minimize etmek için, RES tesislerinin kurulması gereken illeri belirleyen bir optimizasyon modeli önerilmiştir. Önerilen bu model Genetik Algoritma kullanılarak çözülmüştür. Elde edilen sonuçlar, yüzde rampa değerlerinin oluşturduğu histogram eğrilerinin altında kalan alanlar hesaplanarak değerlendirilmiştir. Bu değerlendirmeler sonucunda, ülkedeki mevcut RES tesislerinin 1. 3 ve 6 saatlik rampa değerlerinin 2017 yılında sırasıyla 16,61, 41,32 ve 59,94olduğu, 2018 yılında ise bu değerlerin sırasıyla 18,10, 40,49ve 63,52olduğu gözlenmiştir. Önerilen optimizasyon yönteminin çözümüyle elde edilen RES yerleşiminde 1,3 ve 6 saatlik yüzde rampa değerlerinin histogram eğrilerinin altında kalan alanların ise sırasıyla 2017 yılında 9,98, 23,65ve 30,97 olduğu, 2018 yıllında ise bu değerlerin sırasıyla 11,01, 25,65 ve 39,14olduğu görülmüştür. Bu çalışmadan elde edilen sonuçlar ülkedeki RES tesislerinin bölgesel dağılımlarının optimize edilerek rampa olaylarının değerlerinin büyük oranda düşürülebileceğini ortaya koymuştur.

Keywords

Rüzgar Enerjisi, Rampa, Optimizasyon

References

• Turkish Wind Energy Association, “Turkish Wind Energy Statistic Report July 2019,” pp. 6–7, 2019.
• A. Kerem, Y. Atayeter, S. Görgülü, and S. Salman, “Mehmet Akif Ersoy Üniversitesi İstiklal Yerleşkesi’nin Rüzgar Enerji Fizibilite Alt Yapısının Hazırlanması ve Uygulanması,” Mehmet Akif Ersoy Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 5, no. 1, pp. 18-24–24, 2014.
• K. Doğanşahin, A. F. Uslu, and B. Kekezoğlu, “İki Bileşenli Weibull Dağılımı ile Rüzgâr Hızı Olasılık Dağılımlarının Modellenmesi,” Eur. J. Sci. Technol., no. 15, pp. 315–326, 2019.
• S. Mishra, M. Leinakse, and I. Palu, “Wind power variation identification using ramping behavior analysis,” Energy Procedia, vol. 141, pp. 565–571, 2017.
• C. Yildiz and M. Şekkeli, “Türkiye gün öncesi elektrik piyasasında rüzgar enerjisi ve pompaj depolamalı hidroelektrik santral için optimum teklif oluşturulması Optimal bidding in Turkey day ahead electricity market for wind energy and pumped storage hydro power plant,” Pamukkale Univ Muh Bilim Derg, vol. 22, no. 5, pp. 361–366, 2016.
• S. Erkurt, “Şebeke bağlantili fotovoltai̇k elektri̇k üreti̇m si̇stemleri̇ni̇n güç kali̇tesi̇ne etki̇leri̇ ve performans anali̇zi̇,” 2015.
• M. Abuella and B. Chowdhury, “Forecasting of solar power ramp events: A post-processing approach,” Renew. Energy, pp. 1380–1392, 2019.
• S. Malkawi, M. Al-Nimr, and D. Azizi, “A multi-criteria optimization analysis for Jordan’s energy mix,” Energy, vol. 127, no. 13, pp. 680–696, 2017.
• C. Viviescas et al., “Contribution of Variable Renewable Energy to increase energy security in Latin America: Complementarity and climate change impacts on wind and solar resources,” Renew. Sustain. Energy Rev., vol. 113, no. May, 2019.
• O. Aslantürk and G. Kıprızlı, “The role of renewable energy in ensuring energy security of supply and reducing energy-related import,” Int. J. Energy Econ. Policy, vol. 10, no. 2, pp. 354–359, 2020.
• R. Sevlian and R. Rajagopal, “Wind power ramps: Detection and statistics,” IEEE Power Energy Soc. Gen. Meet., pp. 1–8, 2012.
• Y. Wan, “Analysis of Wind Power Ramping Behavior in ERCOT,” Contract, no. March, 2011.
• E. Ela and J. Kemper, “Wind Plant Ramping Behavior,” Contract, no. December, 2009.
• V. Femin, R. Veena, I. Petra, S. Mathew, and J. Hazra, “Modelling the ramping behaviour of wind turbines,” in Proceedings of the 2016 International Conference on Cogeneration, Small Power Plants and District Energy, ICUE 2016, 2016.
• R. Sevlian and R. Rajagopal, “Detection and statistics of wind power ramps,” IEEE Trans. Power Syst., vol. 28, no. 4, pp. 3610–3620, 2013.
• A. Florita, B. M. Hodge, and K. Orwig, “Identifying wind and solar ramping events,” IEEE Green Technol. Conf., pp. 147–152, 2013.
• J. Zhao, S. Abedi, M. He, P. Du, S. Sharma, and B. Blevins, “Quantifying Risk of Wind Power Ramps in ERCOT,” IEEE Trans. Power Syst., vol. 32, no. 6, pp. 4970–4971, 2017.
• A. Couto, P. Costa, L. Rodrigues, V. V. Lopes, and A. Estanqueiro, “Impact of Weather Regimes on the Wind Power Ramp Forecast in Portugal,” IEEE Trans. Sustain. Energy, vol. 6, no. 3, pp. 934–942, 2015.
• C. Gallego, Á. Cuerva, and A. Costa, “Detecting and characterising ramp events in wind power time series,” J. Phys. Conf. Ser., vol. 555, no. 1, 2014.
• A. M. Foley, P. G. Leahy, A. Marvuglia, and E. J. McKeogh, “Current methods and advances in forecasting of wind power generation,” Renew. Energy, vol. 37, no. 1, pp. 1–8, 2012.
• M. Y. Hwang, C. H. Jin, Y. K. Lee, K. D. Kim, J. H. Shin, and K. H. Ryu, “Prediction of wind power generation and power ramp rate with time series analysis,” Proc. 2011 3rd Int. Conf. Aware. Sci. Technol. iCAST 2011, pp. 512–515, 2011.
• H. Zheng and A. Kusiak, “Prediction of wind farm power ramp rates: A data-mining approach,” J. Sol. Energy Eng. Trans. ASME, vol. 131, no. 3, pp. 0310111–0310118, 2009.
• H. Zareipour, D. Huang, and W. Rosehart, “Wind power ramp events classification and forecasting: A data mining approach,” IEEE Power Energy Soc. Gen. Meet., pp. 1–3, 2011.
• T. Ouyang, X. Zha, and L. Qin, “A Survey of Wind Power Ramp Forecasting,” Energy Power Eng., vol. 05, no. 04, pp. 368–372, 2013.
• A. Altay, Genetik Algoritma ve Bir Uygulama. 2007. [26] G. G. Emel and Ç. Taşkın, “Genetik Algoritmalar ve Uygulama Alanları,” Uludağ Üniversitesi İktisadi ve İdari Bilim. Fakültesi, vol. 21, no. 1, pp. 129–152, 2002.
• İ. Çelik, C. Yıldız, and M. Şekkeli, “Rüzgâr Enerji Santrali kurulumunda rüzgâr türbinlerinin mikro yerleşimi için bir optimizasyon modeli,” Gazi Üniversitesi Fen Bilim. Derg. Part C Tasarım ve Teknol., vol. 6, no. 4, pp. 1–1, 2018.
• H. Zhi and S. Liu, “Face recognition based on genetic algorithm,” J. Vis. Commun. Image Represent., vol. 58, pp. 495–502, 2019.
• Y. İinceyol, Arazi Düzenleme Çalişmalarinda Genetik Algoritma Uygulamasi, vol. 85, no. 1. 2014.
• V. Yigit, “Genetik Algoritma ile Türkiye Net Elektrik Enerjisi Tüketiminin 2020 Yılına Kadar Tahmini,” vol. 3, no. 2, pp. 3–7, 2011.
• C. Ozturk, E. Hancer, and D. Karaboga, “A novel binary artificial bee colony algorithm based on genetic operators,” Inf. Sci. (Ny)., vol. 297, pp. 154–170, 2015.
• C. Jatoth, G. R. Gangadharan, and R. Buyya, “Optimal Fitness Aware Cloud Service Composition using an Adaptive Genotypes Evolution based Genetic Algorithm,” Futur. Gener. Comput. Syst., vol. 94, pp. 185–198, 2019.
• Ö. İşçi and S. Korukuğlu, “‘Genetik Algoritma Yaklaşımı ve Yöneylem Araştırmasında Bir Uygulama,’” Yönetim ve Ekon. Celal Bayar Üniversitesi İktisadi ve İdari Bilim. Fakültesi Derg., vol. 10, no. 2, pp. 191–208, 2003.
• S. Rules, “Area under a Curve : Trapezoidal and Simpson ’ s Rules Simpson ’ s rule is a method for evaluating the area under a curve from values of,” no. X, pp. 77–81, 1987.
• K. C. Yeh and K. C. Kwan, “A comparison of numerical integrating algorithms by trapezoidal, Lagrange, and spline approximation,” J. Pharmacokinet. Biopharm., vol. 6, no. 1, pp. 79–98, 1978.