Değişken-Hızlı Rüzgâr Türbinlerinin Diferansiyel Gelişim Algoritması Kullanılarak Tasarım Optimizasyonunun Gerçekleştirilmesi

Son yıllarda yarı iletken teknolojisindeki hızlı gelişim, enerji talebindeki artış ve devlet teşvikleri nedeniyle Değişken-Hızlı Rüzgâr Türbinlerinin kullanımı her geçen gün artmaktadır. Bu çalışmada bu tip Rüzgar Türbinlerin (RT'lerin) tasarımı için yeni bir optimizasyon algoritması verilmektedir. Algoritmada hedef fonksiyonu olarak birim enerji maliyeti kullanılmakta olup RT'lerin kurulacağı bölgenin rüzgâr potansiyeli dikkate alınarak tasarım parametrelerinin en uygun büyüklükleri belirlenmektedir. Tasarım parametreleri olarak türbin elemanlarının büyüklüğü; kule (hub) yüksekliği, rotor yarıçapı (kanat boyu), nominal güç (jeneratör gücü), ve üretilen enerji ve maliyete etki eden temel parametreler; türbin nominal rüzgar hızı, türbin kapasite faktörü kullanılmaktadır. Algoritmada tasarım parametrelerinin en uygun büyüklükleri/değerleri popülasyon temelli Diferansiyel Gelişim Algoritması (DGA) kullanılarak belirlenmektedir. Farklı bölgeler için tasarlanan Değişken-Hızlı Rüzgâr Türbinlerinin algoritmada kullanılan türbin güç eğrisi modeli ve parametreler arasında tanımlanan kısıtlamalar açısından gerçekçi, üretilen enerji miktarı ve maliyet açısından da oldukça avantajlı olduğu görülmektedir.

Design Optimization of Variable-Speed Wind Turbines by Using Differential Evolution Algorithm

With the fast development in semiconductor technology, and as a result of the increase in energy demand and government subsides, the usage of Variable-Speed Wind Turbines has increased. In order to design of this type of wind turbines, in this study, a new optimization algorithm is introduced. In the algorithm, the cost of per-energy is used as objective function and the optimum size/value of design parameters are determined by keeping in consideration the wind potential in regions. For the design parameters, the size of turbine components; hub height, rotor diameter, nominal (rated) power, and the parameters that has effects on the energy production and its cost, namely nominal wind speed and turbine capacity factor are used. In the optimization algorithm, a population based algorithm, namely Differential Evolution Algorithm (DEA), is used to determine the most appropriate size/value of design parameters. It is observed that the designed wind turbines are more realistic in terms of power curve modelused in optimization algorithm and the constraints defined between design parameters, and more advantageous in terms of the energy amount that will be produced and its cost.

PDF

___

[1] Sing, C. (2012). Variable speed wind turbines. International Journal of Engineering Sciences, 2, 652-656.
[2] Fingersh, L., Hand, & M., Laxson, A. (2006). Wind turbine design cost and scaling model. Technical Report; NREL/TP-500-40566, National Renewable Energy Laboratory, USA, 4-36.
[3] Diveux, T., Sebastian, P., Bernard, D., Puiggali R. J., & Grandidier, J. Y. (2001). Horizontal axis wind turbine systems: optimization using genetic algorithms. Wind Energy, 4, 151-171.
[4] Maki, K., Sbragio. R., & Vlahopoulos, N. (2012). System design of a wind turbine using a multi-level optimization approach. Renewable Energy, 43, 101- 110.
[5] Collecutt, G. R., & Flay R. G. (1996). The economic optimization of horizontal axis wind turbine design parameters. Journal of Wind Engineering and Industrial Aerodynamics, 61, 87-97.
[6] Eminoglu, U. (2016). Site-specific design optimization of horizontal axis wind turbine systems. Turkish Journal of Electrical Engineering and Computer Sciences, 24, 1044-1060.
[7] Eminoglu, U., & Ayasun, S. (2014). Modelling and design optimization of variable-speed wind turbine systems. Energies, 7, 402-419.
[8] Kongam, C., & Nuchprayoon, S. (2010). A particle swarm optimization for wind energy control problem. Renewable Energy, 35, 2431-2438.
[9] Li, H., & Chen, Z. (2009). Design optimization and site matching of direct-drive permanent magnet wind power generator systems. Renewable Energy, 34, 1175-1184.
[10] Carrillo, C., Obando Montano, A. F., & DiazDorado, E. (2013). Review of power curve modelling for wind turbines. Renewable and Sustainable Energy Reviews, 21, 572-581.
[11] Thapar, V., Agnihotri, G., & Sethi, V. K. (2011). Critical analysis of methods for mathematical modelling of wind turbines. Renewable Energy, 36, 3166-3177.
[12] Akdag, S. A., & Guler, O. (2011). Comparison of wind turbine power curve models. Energy Sources, Part A: Recovery, Utilization and Environmental Effects, 33, 2257-2263.
[13] Eminoglu, U. (2015). A new model for output power calculation of variable-speed wind turbine systems. IEEE International Conference on ACEMP-OPTIMELECTROMOTION, Antalya, 141-146.
[14] Zervos, A. (2009). Wind Energy-The Facts. European Wind Energy Association (EWEA), Belgium, Part-I (Technology), 83-85.
[15] Rainer, S., & Kenneth, P. (1997). Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11, 341-359.
[16] Oterino-Echavarri, F., Zulueta, E., Ramos-Hernanz, J., Calvo, I., & Lopez-Guede, J. M. (2013). Application of Differential Evolution as method of pitch control setting in a wind türbine. International Conference on Renewable Energies and Power Quality (ICREPQ’13), Bilbao, 660-666.
[17] Matlab R2010b Enterprise, Copyright©2010.
[18] Doğan, H., & Yılankırkan N. (2015). Türkiye’nin Enerji Verimliliği Potansiyeli ve Projeksiyonu. Gazi Üniversitesi Fen Bilimleri Dergisi, Part C: Tasarım ve Teknoloji, 3(1), 375-383.