Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

Abstract

Teknolojinin gelişmesiyle birlikte, elektrik enerjisine olan ihtiyaç ve talep her geçen gün artmaktadır. Artan tüketici talebi karşısında, üretim, iletim ve dağıtım sistemlerinin yetersiz kaldığı durumlar ortaya çıkabilmektedir. Yetersiz kalan bu şebekelerde artan hat yüklenmeleri nedeniyle, kayıp güç artışları, gerilim düşümü problemleri, elektrik kesintisi ve güvenirlik gibi çeşitli önemli problemler ortaya çıkmaktadır ve tüketiciler hem sosyal hem de ekonomik yönden rahatsız olmaktadır. Ayrıca, artan fosil yakıt fiyatları ve azalan fosil yakıt rezervleri nedeniyle yeni üretim teknolojilerine ihtiyaç giderek artmaktadır. Artan hava kirliliği ve iklim bozulmaları gibi çevresel kaygılar, yenilenebilir enerji üretim teknolojilerinde büyük gelişmelere öncü olmuştur. Bu gelişmeler, yenilenebilir enerji sistemlerinden enerji üretim maliyetlerini giderek düşürmektedir. Artan enerji talebini karşılamakta zorlanan şebekelerde, kayıpları azaltmak ve gerilim profilini iyileştirmek amacıyla, ağın yeniden yapılandırılması, kapasitör tahsisi veya dağıtık üretim sistemlerinin tahsisi önerilmektedir. Yeni hatların oluşturacağı ek maliyetler ve fiziksel olarak her zaman uygulanabilir olmaması gibi nedenler ağ yeniden yapılandırmasını zorlaştırmaktadır ve dağıtık üretim ön plana çıkmaktadır. Kayıpları azaltmak, gerilim profilini iyileştirmek, şebekeye bağlı kesintilere çözüm üretmek ve çeşitli güç kalitesi katkıları nedeniyle merkezi üretim yerine, ucuz ve sınırsız olan yenilenebilir enerji kaynaklarını da üretime kazandırabilen, dağıtık üretim teknolojilerinin kullanımı giderek yaygınlaşmaktadır. Merkezi üretimle beslenen şebekelerde tek yönlü olan yük akışı, dağıtık üretim sistemlerinin entegre edilmesiyle birlikte çift yönlü olarak gerçekleşmektedir. Bu durum güç kayıplarında artışa ve koruma sistemlerinde arıza algılama sorunları gibi çeşitli olumsuz sonuçlara yol açabilir. Ancak, dağıtık üretim sistemleri tahsis edilmeden önce çeşitli analizler yapılarak planlanırsa, kayıpları ve gerilim devinimini azatlma, gerilim profilini ve gerilim kararlılık indeksini geliştirme, güvenirliği artırma ve şebekeye bağımlılığı azaltma gibi pek çok katkıyı beraberinde getirmektedir. Literatürde, dağıtık üretim sistemlerinin optimum tahsisini gerçekleştirmek için analitik yöntemler, sezgisel yöntemler ve hibrit yöntemler önerilerek, çeşitli IEEE test sistemleri veya ülkelerin gerçek dağıtım şebekeleri üzerinde test edilmiştir. Bu çalışmada, güç kayıplarını azaltmak ve gerilim profilini iyileştirmek amacıyla dağıtık üretim sistemlerinin optimum tahsisi gerçekleştirilmiştir. Bu amaçla, sezgisel algoritmalardan olan, Genetik Algoritma ve Parçacık Sürü Optimizayonu algoritmaları önerilmiş ve IEEE 33 baralı radyal dağıtım sistemi üzerinde uygulanmıştır. Öncelikle, literatür kıyaslaması yapabilmek ve algoritmaların doğruluğunu kanıtlamak amacıyla, puant yük talebi için dağıtık üretim tahsisi gerçekleştirilmiştir. Tüm dağıtık üretim tipleri ve özellikle literatürde kullanılmayan Tip IV için optimum tahsis, üç farklı senaryo özelinde gerçekleştirilmiştir. Analizlere göre en düşük fayda, reaktif güç tüketimi nedeniyle Tip IV ile ve en yüksek fayda hem aktif hem de reaktif güç üreten Tip III ile sağlanmıştır. Parçacık Sürü Optimizasyonu, Genetik Algoritma'ya nazaran daha iyi sonuçlar verirken, her ikisi de minimum kayıp, maksimum gerilim iyileşmesi ve yakınsama gibi açılardan literatürden çok daha iyi sonuçlar vererek, üstünlüklerini kanıtlamışlardır. Algoritmaların güvenirliği ve doğruluğu kanıtlandıktan sonra, asıl hedef olan yıllık toplam enerji kayıplarını ve gerilim devinimi azatlamak amacıyla yenilenebilir enerji kaynaklarının şebekeye optimum tahsisi geçekleştirilmiştir. Mevsimsel üretim ve tüketim belirsizliklerini içeren bu çalışmada, yenilenebilir enerji kaynakları olarak güneş panelleri ve rüzgar türbinleri kullanılmıştır. Yenilenebilir kaynakların sağladığı katkıyı ölçmek ve uygulanabilirliğini kıyaslamak amacıyla, fosil yakıt tüketimine dayalı konvansiyonel kaynaklar da kullanılmıştır. Yapılan çalışmalarda teknik olarak en iyi sonuçlar konvansiyonel kaynaklarla elde edilirken, en düşük katkı ise mevsimsel ve günlük olarak güneş ışınım dağılımının düzgün olmaması sebebiyle, güneş panelleri tarafından sağlanmıştır. Hem güneş ışınım dağılımına nispeten daha düzgün rüzgar dağılımı olmasından dolayı konvansiyonel kaynaklara yakın miktarda teknik katkı sağlayan hem de zararlı sera gazı salınımı olmaması nedeniyle çevreci olan rüzgar türbinlerinin optimum güç faktöründe işletilmesi en uygun dağıtık üretim çözümü olarak önerilmiştir. Literatürde ve yapılan bu çalışmada, dağıtık üretim kaynaklarının tahisinin yük akışı analizlerine dayanması nedeniyle çok fazla zaman aldığı görülmüştür ve bu problemin üstesinden gelmek amacıyla da makine öğrenmesine dayalı bir tahmin metodolojisi önerilmiştir. Makine Öğrenmesi algoritmalarından olan Lineer Regresyon, Yapay Sinir Ağları, Destek Vektör Regresyonu, K En Yakın Komşu ve Karar Ağacı algoritmaları kullanılarak, optimum dağıtık üretim gücünün ve şebekeye etkilerinin tahmini sağlanmıştır. Algoritmaları ve önerilen metodolojinin uygulanabilirliğini göstermek için IEEE 12, 33 ve 69 baralı standart test sistemlerinin gerekli verileri toplanmıştır. Toplanan verilerin %75'i, WEKA programında bulunan makine öğrenmesi algoritmaları ile tahmin modellerinin eğitimi için kullanılmıştır ve %25'lik test verisiyle de algoritmaların performansı ve doğruluğu değerlendirilmiştir. Değerlendirme metrikleri olarak, R-kare (R2) analizi ve ortalama mutlak yüzde hata (Mean Absolute Percentage Error, MAPE) hesaplaması kullanılmıştır. Tüm algoritmalar, kabul edilebilir hata aralığının dışına çıkmayan ve uygulanabilir doğrulukta tahminler gerçekleştirmiştir. Tek giriş değişkeni olan tahmin modellerinde Destek Vektör Regresyonu algoritması ve çok giriş değişkeni olan tahmin modellerinde K En Yakın Komşu algoritması daha başarılı olmuştur. Giriş ve çıkış değişkenleri arasında doğrusal bağlantı bulunmayan verilerin tahmininde ise Lineer Regresyon kabul edilebilir bir sonuç vermemiştir ve kullanımı uygun bulunmamıştır. Dağıtık üretim sistemlerinin optimum boyutunun, yerinin ve güç faktörlerinin belirlenmesinde önerilen sezgisel algoritmalar üstün performans göstermiştir ve yeni bir metodoloji olarak sunulan, dağıtık üretim sistemi optimum boyutu ve şebekeye etkilerinin tahmininde Makine Öğrenmesi kullanımı uygun ve etkin bulunmuştur. Daha büyük sistemler üzerinde çalışılması, enerji depolama sistemlerinin eklenmesi, yeni sezgisel veya hibrit algoritmalarla çözümler, makine öğrenmesi ile birlikte güçlendirilmiş tahmine dayalı çözümler ve farklı yenilenebilir teknolojilerin kullanımı gelecek çalışması olarak önerilmektedir.

With the rapid development of technology, the increase in the demand for electrical energy day by day and the transmission of electrical energy over long distribution feeders cause great power losses and voltage drop problems. These problems negatively affect both the performance of the power system and reliability of the customers' power supply. Many approaches about the planning and operation of power systems, such as network reconfiguration and distributed (dispersed, decentralized) generation (DG), have been proposed to overcome the challenges caused by the increase in electricity consumption. Because of its numerous positive effects on distribution system planning and operation, modern electricity systems or smart grids focus on DG rather than centralized generation. DG is defined as a small-scale power generation unit close to the connection point of consumers. Generation capacity of DG is defined by the Electric Power Research Institute between a few kW and 50 MW. The load flow is from generation stations to consumption areas in the distribution systems only with centralized generation, while it is bidirectional in the distribution systems with DGs. If this topological change is not well planned, it may cause deterioration of various power quality parameters, protection problems, and insufficient or excessive electricity generation. When DGs are optimally allocated, all relevant parameters are improved, and power losses and carbon emissions are also reduced. The optimum DG planning has many technical, economic and environmental benefits. The economic benefits include improving the voltage profile, reliability, safety and power quality, and reducing power losses. It has economic benefits such as reducing operating, maintenance and fuel costs and deferring investment costs. Thanks to the use of renewable energy, it reduces harmful emissions and contributes to the environment by reducing both air pollution and global warming. As pressure mounts on climate action, the more use of renewable energy sources instead of fuel-based conventional sources has started to increase even more. Thanks to advances in renewable technologies and cheaper costs, the green revolution to build an energy system with net-zero greenhouse gas emissions is happening faster than previously thought. DGs are divided into four groups according to their generation or consumption status of active and reactive power, which depend on their operating power factor. Type I DGs, such as photovoltaic (PV) systems, micro turbines and fuel cells, operate at unity power factor and generate only active power. Type II DGs, such as synchronous compensators, operate at zero power factor and generate only reactive power. Type III DGs, such as synchronous generator and wind turbine (WT), operate at lagging power factor and generate both active and reactive power. Type IV DGs, such as induction generators, operate at leading power factor and generate active power and consume reactive power. Based on the current IEEE 1547 standard, DGs can be integrated into the grid at the desired power factor with help of the proper invertors or convertors. According to their production capacities, they are classified as micro DG between 1W-5 kW, small DG between 5 kW-5 MW, medium DG between 50 MW-300 MW and large DG between 50 MW-300 MW. Fuel-based DGs such as diesel and gas turbines are referred as conventional DG technologies, while fuel cells and renewable energy sources such as photovoltaics, wind turbines, biomass, geotermal and small hydro turbines are referred to as non-conventional DG technologies. In addition, energy storage systems such as battery energy storage systems, flywhell, superconducting magnetic energy storage, compressed air energy storage and pumped storage among the DG technologies. The typical optimal DG allocation problems aim to maximize positive effects and minimize negative effects on the power systems. In the literature, analytical methods, heuristic methods and hybrid of both methods have been used to find optimum location and size of DG for constant load (peak load) and time varying loads. In this study, single and double optimum distributed generation allocations were realized in order to reduce the total power losses and improve the voltage profile. For this purpose, Genetic Algorithm and Particle Swarm Optimization algorithms, which are heuristic algorithms, were proposed and applied on the IEEE 33-bus radial distribution system. First of all, optimal distributed generation allocation cases were performed for the peak load demand to compare with literature studies and to prove the accuracy of the algorithms. Optimum allocation for all types of distributed generation and especially for Type IV, which is not used in the literature, was carried out in three different scenarios. According to the analysis, the lowest benefit was achieved with Type IV due to reactive power consumption, and the highest benefit with Type III, which produces both active and reactive power. While the Particle Swarm Optimization has given better results than the Genetic Algorithm, both have proven their superiority by giving much better results than the literature in terms of minimum power losses, maximum voltage profile enhancement and faster convergence. After the reliability and accuracy of the algorithms were proven, the optimum allocations of renewable energy resources to the grid were realized to reduce the annual total energy losses and voltage deviation index, which are the objective functions. In this study, which includes seasonal generation and consumption uncertainties, photovoltaic panels and wind turbines were used as renewable energy sources. Conventional sources based on fossil fuel consumption have also been used to measure the renewable contribution and compare its applicability. While the best technical results were obtained with conventional sources in the studies, the lowest contribution was provided by photovoltaic panels due to the seasonal and daily solar radiation distribution is not uniform. It has been suggested as the most appropriate distributed generation solution to operate wind turbines at optimum power factor, which both provide a better technical contribution close to conventional sources due to the more uniform wind distribution compared to the solar radiation distribution, and are environmentally friendly due to the absence of harmful greenhouse gas emissions. Considering this study and other studies in the literature, it has been seen that the solution of the optimum distributed generation allocation with the load flow based techniques takes a lot of time. In this study, an estimation methodology based on Machine Learning were proposed to solve this problem. The optimum distributed generation size and its effects on the distribution network were estimated by using Machine Learning algorithms such as Linear Regression, Artificial Neural Networks, Support Vector Regression, K-Nearest Neighbor and Decision Tree. The data of IEEE 12, 33 and 69 bus standard test systems were collected to demonstrate the effectiveness of the proposed machine learning algorithms and the applicability of the estimation methodology. 75% of the collected data was used for the training of prediction models with Machine Learning algorithms in the WEKA program, and the performance and accuracy of the algorithms were evaluated with 25% test data. R-square (R2) analysis and mean absolute percent error (MAPE) were calculated as evaluation metrics. All proposed algorithms made predictions with the acceptable error range and with applicable accuracy. Support Vector Regression algorithm was more successful in prediction models with single input variable and K-Nearest Neighbor algorithm in prediction models with multiple input variables. Linear Regression did not give an acceptable result in the estimation of data that does not have a linear relationship between the input and output variables, and its use was not found appropriate. The proposed heuristic algorithms in determining the optimum size, location and operating power factors of distributed generations have shown superior performance and the use of Machine Learning, presented as a new methodology, in estimating the optimum size of the distributed generation unit and its effects on the grid has been found appropriate and effective. Working on larger systems, adding energy storage systems, solutions with novel metaheuristics or hybrid algorithms, using an enhanced hybrid estimation methodology based on Machine Learning and heuristic algorithms, and the use of different renewable technologies such as biomass, small-hydro turbine and geothermal have been suggested as future works.