ENDÜSTRİYEL TESİSLERDE GES BAĞLANDIKTAN SONRA REAKTİF/AKTİF GÜÇ ORANININ YSA İLE BELİRLENMESİ

Günümüzde elektrik enerjisine olan talep, sosyal yaşam, endüstriyel uygulamalar ve sanayileşmeye bağlı olarak gün geçtikçe artmaktadır. Enerji talebinin artmasıyla birlikte yenilenebilir enerji kaynaklarının (güneş, rüzgar, hidrojen vs.) kullanımının önemi de artmıştır. Yenilenebilir enerji kaynaklarının bir güç sistemine dahil edilmesinden sonra ortaya çıkması muhtemel teknik problemlerin incelenmesi gereklidir. Bu teknik problemler genel olarak “Güç Kalitesi” adı ile birlikte değerlendirilebilir. Güç kalitesi; harmonikler, gerilim dalgalanması, güç katsayısı ve fliker gibi birçok parametreyi içinde barındırmaktadır. Bir güneş enerji santralinin endüstriyel firmalarda güç sistemine dahil edilmesinde sonra besleme gerilimi, harmonik ve güç katsayısı değerlerinde değişim meydana gelebilir. Bu yüzden şebekeden çekilen elektrik enerjisinin aktif, reaktif ve harmonik değerlerinin sürekli takip edilmesi gerekmektedir. Reaktif/aktif enerji oranları sınır değerleri Enerji Piyasası Değerlendirme Kurumunun belirlediği sınırlar içerisinde olması gerekmektedir. Reaktif yüklerin aktif yüklere oranlandığında güç faktörünün de değişimi söz konusudur. Bu çalışmada; ölçümü yapılan güneş enerji santrali, reaktif/aktif oranı, harmonik ve gerilim sapması yönünden değerlendirilmiştir. Firmalarda GES bağlandıktan sonra yapılan analizler sonucunda yüklerin sistem üzerinde oluşturabileceği sorunlar tespit edilip çözüm önerisi sunulmuştur.

Detection of Reactive / Active Power Ratio by ANN after Connection GES in Industrial Facilities

Today, the demand for electrical energy is increasing day by day depending on social life, industrial applications and industrialization. With the increase in energy demand, the importance of the use of renewable energy sources (solar, wind, hydrogen, etc.) has also increased. It is necessary to examine the technical problems that may arise after the incorporation of renewable energy sources into a power system. These technical problems can generally be evaluated together with the name "Power Quality". power quality; It contains many parameters such as harmonics, voltage fluctuation, power factor and flicker. After a solar power plant is included in the power system in industrial companies, a change may occur in the supply voltage, harmonic and power coefficient values. Therefore, the active, reactive and harmonic values of the electrical energy drawn from the network should be constantly monitored. Limit values of reactive / active energy ratios must be within the limits determined by the Energy Market Evaluation Authority. When the reactive loads are proportional to the active loads, the power factor also changes. In this study; The solar power plant, which was measured, was evaluated in terms of reactive/active ratio, harmonic and voltage deviation. As a result of the analyzes made after the power supply was connected in the companies, the problems caused by the loads on the system were determined and solution suggestions were presented.

PDF

___

Al-Dahidi, S., Ayadi, O., Alrbai, M., Adeeb, J. 2019. "Ensemble approach of optimized artificial neural networks for solar photovoltaic power prediction". IEEE Access, 7, 81741–81758.
Ayyagari, S.B., (2011), Artificial neural network based fault location for transmission lines, University of Kentucky Master's Theses.
Baysal, M., “Güç Sistem Gerilim Kararlılığında Yük Modellemelerinin Önemi̇”, 2008
Çaylı, H. 2008. "Finansal Tahminde Yapay Sinir İletim Ağlarının Kullanımı ve Bir Örnek Uygulama".
Eseye. A. T. Zhang, J., Zheng, D., Ma, H. and Jingfu, G. (2017). Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach. 2017 İEEE 2nd İnternational Conference on Big Data Analysis, 552-556.
Finamore, A. R., Galdi, V., Calderaro, V. , Piccolo, A., Conio, G., and Grasso, S. (2016). Artificial neural network application in wind forecasting: an one-hour-ahead wind speed prediction, 5th IET International Conference on Renewable Power Generation (RPG) 2016, 1-6.
G. Zhang, B. Eddy Patuwo, ve M. Y. Hu, “Forecasting with artificial neural networks: The state of the art”, Int. J. Forecast., c. 14, sayı 1, ss. 35–62, Mar. 1998, doi: 10.1016/S0169-2070(97)00044-7.
H. Var ve B. E. Türkay, “Yapay Sinir Ağları Kullanılarak Kısa Dönem Elektrik Yükü Tahmini”, ss. 27–29, 2014.
Kaynar, O., Taştan, S. 2009. "Zaman Serileri Tahmininde ARIMA-MLP Melez Modeli Oğuz Kaynar (*) Serkan Taştan(**)", ss. 141–149, 2009.
M. Buhari ve S. S. Adamu, “Short-term load forecasting using artificial neural network”, Lect. Notes Eng. Comput. Sci., c. 2195, ss. 83–88, 2012, doi: 10.1109/icit.2000.854220.
M. Karahan, “Yapay Sinir Ağları Metodu ile İhracat Miktarlarının Tahmini: ARIMA ve YSA Metodunun Karşılaştırmalı Analiz”, Ege Akad. Bakis (Ege Acad. Rev., c. 15, sayı 2, ss. 165–165, 2015, doi: 10.21121/eab.2015221919.
M. Kayakuş ve M. Terzioğlu, “Yapay Sinir Ağları ve Çoklu Doğrusal Regresyon Kullanarak Emeklilik Fonu Net Varlık Değerlerinin Tahmin Edilmesi”, Bilişim Teknoloji. Derg., ss. 95–103, 2021, doi: 10.17671/gazibtd.742995.
M. Sari, “Yapay Sinir Ağları ve Bir Otomotiv Firmasında Satış Talep Tahmini Uygulaması”, ss. 1–114, 2016.
PortalAdmin_Uploads_Content_FastAccess_e50733d959844. 2022 Tarihinde adresinden erişildi https://www.epdk.gov.tr/Detay/Icerik/3-0-159-3/yonetmelikler
R. Bayindir, M. Yeşilbudak, ve Ü. Çetinkaya, “Güç Sistemlerinde Gerilim Kararlılığını Etkileyen Faktörler”, c. 3, sayı 4, ss. 595–602, 2015.
Şahan, M. 2021. "Yapay Sinir Ağları ve Angström-Prescott Denklemleri Kullanılarak Gaziantep, Antakya ve Kahramanmaraş İçin Global Güneş Radyasyonu Tahmini". Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 16(2), 368–384.
Tam, V. W. Y., Butera, A., Le, K. N., Da, L. C. F., Evangelista, A. C. J. 2022. "A prediction model for compressive strength of CO 2 concrete using regression analysis and artificial neural networks". Construction and Building Materials, 324(November 2021), 126689.
V. W. Y. Tam, A. Butera, K. N. Le, L. C. F. Da, ve A. C. J. Evangelista, “A prediction model for compressive strength of CO 2 concrete using regression analysis and artificial neural networks”, Constr. Build. Mater., c. 324,sayı November 2021, s. 126689, 2022, doi: 10.1016/j.conbuildmat.2022.126689.
Zarkovic, M., Sosic, D. 2016. "Ann for solving the harmonic load flow in electric power systems with DG". IET Conference Publications, 2016(CP711), 13–16.
Zuraidah, A. H., Windarko, N. A., Eviningsih, R. P. 2021. "Short-Term Electrical Load Prediction Using ANN-Backpropagation". ICAICST 2021 - 2021 International Conference on Artificial Intelligence and Computer Science Technology, 13–18.