Türkiye Elektrik Şebekesinin Alçak Gerilim Sisteminin Fotovoltaik Sistemlerin Varlığında Değerlendirilmesi

Öz

Bu makalede, Elektrik Piyasası Düzenleme Kurumu’nun (EPDK) alçak gerilim elektrik sistemine bağlanacak güneş enerjisine dayalı üretim tesisleri ile ilgili yönetmeliği yayınlamasından sonra, sistem operatörlerinin karşılaşabileceği sorunlar ve bu sorunların çözümleri ayrıntılı olarak incelenmiştir. Dağıtım sisteminin, güç akışının tek yöne olacağı kabulü üzerine tasarlanmış olması, tersine güç akışı ile bir çok problemi beraberinde getirecektir. Bu problemlerden en önemlisi yük tarafında meydana gelebilecek olan gerilim yükselmesidir. Bunun yanında, gözlenebilecek düşük güç faktörü, evirgeç sisteminin harmonik katkısı ve üretimdeki belirsizlik diğer önemli başlıklardır.  Dolayısıyla güneş enerjisine dayalı küçük ölçekli bu sistemlere verilecek olan kapasitenin hesabı ve kritik değeri büyük önem taşımaktadır. Bahsedilen sorunlar, evirgeçlerin reaktif güç desteğinin arttırılması, endüktif çalışabilen reaktif güç kompanzasyon üniteleri, alçak gerilimin izlenmesi, akıllı şebekelerin sistemin güvenirliğini arttırması ve yük/üretim tahmini ile çözülebilir.

Anahtar Kelimeler

• Güneş Enerjisi,Tersine Güç Akışı,Dağıtım Sistemi

Kaynakça

1. [1] REN21, “Renewables Global Futures Report: Great debates towards 100% renewable energy,” Paris, 2017.
2. [2] İlisu İ. ve Yüksek E., “Gerilim Düşümü ve Hesapları,” TMMOB ELEKTRİK MÜHENDİSLERİ ODASI İSTANBUL ŞUBESİ BÜLTENİ, pp. 42–46, 2016.
3. [3] Dugan R.C., Mcgranaghan M.F., Santoso S., ve Beaty H.W., Electrical Power Systems Quality, 3rd Ed. McGraw-Hill, 2012.
4. [4] EPDK, “Elektrik Şebeke Yönetmeliği,” 2017.
5. [5] Sidhu T. S. ve Bejmert D., “Short-circuit current contribution from large scale PV power plant in the context of distribution power system protection performance,” IET Conf. Renew. Power Gener. (RPG 2011), pp. 134–134, 2011.
6. [6] De Felice M. ve Yao X., “Short-Term Load Forecasting with Neural Network Ensembles: A Comparative Study [Application Notes],” IEEE Comput. Intell. Mag., vol. 6, no. 3, pp. 47–56, 2011.
7. [7] Li Z., Zang C., Zeng P., Yu H., ve Li H., “Day-ahead Hourly Photovoltaic Generation Forecasting using Extreme Learning Machine,” 5th Annu. IEEE Int. Conf. Cyber Technol. Autom. Control Intell. Syst., pp. 779–783, 2015.
8. [8] Park D. C., El-Sharkawi M. A., Marks R. J., Atlas L. E., ve Damborg M. J., “Electric load forecasting using an artificial neural network,” IEEE Trans. Power Syst., vol. 6, no. 2, pp. 442–449, 1991.

9. [9] Bunn D. W., “Forecasting loads and prices in competitive power markets,” Proc. IEEE, vol. 88, no. 2, pp. 163–169, 2000.