Enterkonnekte güç si̇stemleri̇nde rüzgâr enerji̇ si̇stemleri̇ni̇n güç akiş anali̇zi̇ne etki̇leri̇ni̇n modern opti̇mi̇zasyon tekni̇kleri̇ i̇le i̇ncelenmesi̇

Abstract

Rüzgar Enerji Sistemlerinin (RES), diğer güç sistemlerine bağlantılarında, güç sisteminin kapasitesinin artması dolayısıyla güç akış analizinde kullanılan geleneksel optimizasyon teknikleri, verim ve etkinliklerini kaybetmektedir. Bu amaçla bu tezde, RES bağlantısı olan ve olmayan örnek güç sistemleri üzerinde, yakıt maliyeti, emisyon oranları ve algoritma zamanı gibi güç akış analizini belirleyen parametreler, yeniden tasarlanan Genetik-Öğretme Öğrenme Tabanlı Optimizasyon (G-ÖÖTO) adlı modern bir hibrit algoritma ile incelenerek, optimize edilmiştir.Tezde, 40 adet farklı termal enerji kaynağından oluşan Tayvan Termal Güç Sistemi (TTGS), 8 baralı termal güç sistemi ve yeni oluşturulan 19 baralı termal-rüzgâr güç sistemleri güç akışı yönünden analiz edilmiştir. Analizlerde, literatürde geçen, geleneksel Genetik Algoritma (GA), geleneksel Öğrenme-Öğretme Tabanlı Optimizasyon (ÖÖTO) Algoritması ve yeni önerilen Genetik ve ÖÖTO algoritmalarının üstün yönleri bir araya getirilerek oluşturulan G-ÖÖTO algoritma karşılaştırılmalı olarak incelenmiştir. Bunların yanında, güç sistemlerinin yüklenme katsayıları değiştirilerek çeşitli senaryolar da denenmiştir.Bu çalışma, çok sayıda rüzgâr barasının bağlı olduğu ana baraların enterkonnekte sisteme eklenmesiyle, güç sisteminin verimini arttırmakta kullanılabileceğini ispatlamıştır. Ayrıca, geliştirilen hibrit G-ÖÖTO algoritmasıyla bu sistemler için etkin bir optimizasyon algoritması olduğu, yapılan simülasyon çalışmalarıyla doğrulanmıştır.Anahtar kelimeler: Geleneksel Güç Sistemi, Rüzgâr-Termal Güç Sistemi, OptimumGüç Akış Analizi, Genetik-Öğretme Öğrenme Tabanlı Optimizasyon Algoritması, Yakıt Maliyeti, Algoritma Çalışma Zamanı, CO2 salınımı

Conventional optimization techniques used in a power flow analysis have been losing their efficiency because of the increasing capacity of power systems in connections of the Wind Energy Systems (WES) into other power systems. For this purpose, in this thesis, the parameters which determines the power flow analysis such as fuel cost, emission rates and algorithm run time were analyzed and optimised by a redesigned hybrid Genetic-Teaching Learning Based Optimization (G-TLBO) Algorithm on the sample power systems with and without wind energy.In the thesis, Taiwan thermal power system (TTPS) which was composed of 40 different thermal energy sources, 8 bus thermal power system and 19 bus thermal-wind power systems proposed here newly were analyzed in terms of the power flow analysis. In the analyses, conventional Genetic and Teaching-Learning Optimization (TLBO) algorithms studied in literature were researched comparatively with the G-TLBO algorithm which was proposed first here and was composed by taking the outstanding properties of conventional Genetic and TLBO algorithms. According to literature researches, conventional Genetic Algorithms (GAs), conventional Teaching Learning Based Optimization (TLBOs) and recently new recommended GAs and TLBOs were inspected in detail. Lastly, a new G-TLBO algorithm was suggested. The superior aspects of last algorithms were combined in the new suggested G-TLBO algorithm. The results of it were comparatively presented in the thesis.The study shows that the addition of wind buses which are composed of many windbuses into interconnected system could be used to increase the power systemefficiency and developed hybrid G-TLBO algorithm is an effective optimizationalgorithm that could be used in conventional and wind-thermal power systems.Key Words: Conventional Power System, Wind-Thermal Power System, OptimumPower Flow Analysis, Genetic-Teaching Learning Based OptimizationAlgorithm, Fuel Cost, Algorithm Run Time, CO2 Emission