Yenilenebilirler için daha iyi tahminler

Siemens kendi ürünü olan ve dalgalanmaları öngörebilen nöral ağ tabanlı bir yazılım ile elektrik piyasalarının verimliliğinin artırılmasına katkıda bulunuyor.

Capital (Turkey) - Gelecek Trendler - - BAŞ SAYFA - Christine Rüth

Eskiden her şey çok daha basitti. Enerji santralleri ülkelerin dört bir yanına serpiştirilirdi ve onların çıktıları da enerji talebine göre ayarlanırdı. Enerji santralleri, çeşitli bölgelerin ve büyük üretim tesislerinin enerji gereksinimlerini kestirebilmek için diğer araçların yanı sıra takvimlerden ve hava tahminlerinden faydalanırdı.

Günümüzde ise durum çok daha karmaşık. Hava durumuna bağlı olarak rüzgar çiftlikleriyle güneş parkları değişken miktarlarda elektrik üretir ve dalgalanmalar için geleneksel enerji santralleri devreye alınır. Dalgalanan yenilenebilir enerji kaynaklarının payı ne kadar yüksek ise enerji arzını yönet- mek de o derece güçleşir ki bu enerji tedarikçilerinin yanı sıra şebeke operatörlerini de etkileyen çok ciddi bir sorundur.

Şebekenin daima dengede kalmasının sağlanması için ona muhakkak çekildiği miktarda elektrik verilmesi gerekir. Eğer bir enerji santrali veya büyük bir tüketici çökerse o zaman bir elektrik kesintisine mahal vermemek için enerji arzı ya artırılır ya da azaltılır. Her bir enerji santralinin belirli miktarlarda pozitif ve negatif dengeleyici enerji tedarikinde bulunabilmesi gerekir. Oysa bir enerji geçiş sürecinin tam ortasında olan ve kendi enerji karışımında yenilenebilirlerin payını dikkate değer oranda artırmayı plan- layan Almanya gibi ülkelerde gelecekte şebekeyi dengede tutmak giderek zorlaşacak.

Peki bu yeni durumla nasıl başa çıkılmalı? Enerji şirketleri şebeke istikrarını nasıl sağlayabilir, nasıl güvenilir enerji arz edebilir ve bu şartlarda nasıl halen kâr etmeyi sürdürebilir? Siemens Kurumsal Teknolojiler’de (CT) çalışan bir araştırmacı olan Dr. Ralph Grothmann, bu sorunun cevabının daha iyi tahminlerde bulunularak planlama sürecinin iyileştirilmesinde yattığını söylüyor. “Şayet önümüzdeki günlerde ne kadar miktarda güneş ve rüzgar enerjisinin mevcut olacağını bilseydiniz ve aynı zamanda elinizde bölgesel talep tahminleri de olsaydı, o zaman ge-

leneksel enerji santrallerini olağanüstü bir önseziyle yönetebilir, enerji nakil kayıplarını dengelemek için yeterince enerji arzı planlayabilir ve enerji piyasasından en uygun şartlarda enerji satın alabilirdiniz” diyor.

Bu vizyonla yola çıkan Grothmann ile meslektaşı Dr. Hans Georg Zimmermann, Nöral Ağlar için Simülasyon Ortamı (SENN) adıyla bilinen bir öngörü yazılımı geliştirdi. SENN tıpkı insan beynindekilere benzer suni nöral (sinir) ağlarından (yani sayısal modellerden) faydalanıyor. Bu sinir ağları karşılıklı ilişkileri kavrayacak şekilde o derece mükemmel eğitilebilir ki gayet tutarlı öngörülerde bulunabilir. Grothmann, “Nöral ağların en güzel tarafı sizin bir tahminde bulunmak için bir sorunu tam anlamıyla analiz edip kavramanıza gerek bırakmamasıdır” diyor.

Örneğin eğer bir güneş parkını analitik bir modelle tanımlamak isterseniz, o zaman olay yerindeki güneş radyasyonuyla sıcaklık, rüzgarın hızı ve nem oranı gibi diğer çevresel faktörler temelinde bir güneş panelinin ne kadar elektrik ürettiğini hesaplamak zorunda kalırdınız. Şayet bu panellerden bazıları güneş ışığının diğer panellere ulaşmasını engelliyorsa o zaman bu durumun da hesaba katılması gerekir. Ancak tüm bunlardan sonra bu model, güneş parkının herhangi bir yerindeki çıktısını tam olarak tahmin etmek için hava durumu tahminlerinden faydalanabilir. Verilerle eğitmek. Nöral ağlardan çok farklı şekillerde faydalanılır. Onlar günümüzde olduğu gibi hava tahminleri ve güneş parklarının elektrik çıktıları için geçmiş verileri kullanacak şekilde eğitilebilir. Hava durumuyla ilgili verilerin illa da güneş parkının olduğu yerden gelmesi gerekmez. Yakınındaki bir meteoroloji istasyonundan da alınabilir. Bu programın görevi, hava durumuyla ilgili verileri baz alarak ne kadar miktarda güneş enerjisi üretileceğini tahmin etmekten ibarettir. Bu yazılım başlangıçta çeşitli parametrelerin ne gibi etkileri olacağını bilmediğinden onun yapacağı tahminler güneş par- kının gerçek çıktısından dikkate değer oranda sapma gösterecektir. Eğitim aşamasında ise bu program tahmin edilen ile gerçekleşen değerler arasındaki farkı minimum seviyeye indirmek için bu süreci binlerce kez tekrar eder. Bu olurken SENN de daha kesin rakamlar elde etmek için tek tek parametrelerin ağırlıklarını değiştirir.

İlk defa 20 yıl önce geliştirilmiş olan SENN’den örneğin 20 günlük dönemler boyunca hammadde fiyatlarının ve elektrik fiyatının tahmin edilmesinde faydalanılıyor. Siemens elektriği fiyatı en düşük olduğu zamanda satın almak için 2005 yılından bu yana SENN’e güveniyor.

Yenilenebilir enerji kaynaklarındaki artışı dikkate alan Siemens, enerji endüstrisi için SENN tahminlerinin muazzam bir potansiyeli olabileceğini fark etti. Mesela yenilenebilirlerce şebekeye verilecek elektrik miktarının öngörülmesi sayesinde şebeke operatörleri ekstra enerji santralleri kullanımını veya dengeleyici enerji gereksinimini planlayabilirler.

Rüzgar çiftlikleri ve güneş parkları operatörleri de bu tahminlerden, daha avantajlı koşullarda belirli miktarda elektrik satmak ve gelecekteki gelirlerini planlamak amacıyla bakım ve onarım süreçlerini enerji sistemlerinin getirilerinin düşük olduğu dönemlere denk getirmek için faydalanabilir.

Şu anda bir SENN modeli, Danimarka’daki büyük bir açık deniz rüzgar çiftliğinden gelen verilerle deneniyor. Bu model, gelecek üç gün boyunca bu çiftliğin elektrik çıktısının ne olacağını + - yüzde 7,2’lik sapma ile tahmin etmek için rüzgarın hızı, sıcaklık ve nem oranı tahminlerinden faydalanıyor. Örneğin bu sistem 100 birimlik çıktı olacağını tahmin ediyorsa, o zaman gerçek değer 92,8 ile 107,2 arasında bir yerde olacak demektir. Grothmann, “Tahminin doğruluk derecesi başlıca verilerin kalitesine bağlıdır. Sonuçta biz üç gün önceden hava durumunu kesinlikle doğru tahmin edebiliriz” diyor.

Siemens Enerji yenilenebilir kaynaklar kullanan enerji tesislerine yönelik izleme ve kontrol çözümlerinin bir parçası olarak SENN üretim tahminleri ürününü sunuyor. Mesela SENN şu anda Güney Afrika’da her biri 50 megavat’lık çıktısı olan iki güneş parkında kullanılıyor. Bu yazılım sayesinde enerji şirketleri şebeke operatörlerinin elektrik ağına vermeleri gereken tahmini elektrik miktarını belirliyorlar. SENN yaklaşık yüzde 7’lik sapma oranıyla gelecek beş gün için bu güneş parkının saat başına elektrik üretimini tahmin edebiliyor.

Güneş parkları için ikinci bir model de şu anda planlanma aşamasında. Onun sayesinde operatörler kirlenmiş güneş panelleriyle nasıl başa çıkacaklarını öğrenecek. Toz yüzünden güneş panellerinin elektrik üretimi yüzde 15 oranına kadar düşebilir. Ancak onların

Bu sistem ampirik verilerden faydalanarak yaklaşık yüzde 7’lik bir sapma oranıyla yenilenebilir enerji üretimini tahmin etmeyi öğreniyor.

temizlenmesinin de bir maliyeti var. Grothmann, “Eğer bir operatör bu tozları yıkayıp atacak kadar yağmurun yağacağını bilirse sahaya bir temizlik ekibi göndermek zorunda kalmaz” diyor. Bu yeni yazılım güneş panelleri üzerinde ne kadar toz biriktiğini tahmin etmek için havanın nem oranı, rüzgar ve yağmur gibi çevresel faktörleri dikkate alarak bu soruna bir çözüm buluyor. Talebi öngörmek. SENN’in enerji piyasasındaki ikinci önemli uygulama alanı ise talep tahminleridir. Onlar büyük tüketicilerin elektriği uygun fiyata satın almalarını veya faaliyetlerini fiyatların yüksek olduğu periyodlara denk gelmeyecek şekilde planlamalarını sağlıyor. Enerji tedarikçileri bu bölgesel tahminlerden elektrik satın alımları ve enerji santrali faaliyetlerini planlamak için faydalanabilir. Örneğin İsviçreli şebeke operatörü Swissgrid, Almanya veya Fransa’dan İtalya’ya devasa miktarlarda enerji akıtılırken nakil hatlarındaki kayıpları hesaba katan bir yöntemle elektrik satın alımını planlamak için SENN’den faydalanıyor. Swissgrid bu gibi kayıpları kapatmak zorunda olduğu için yılda 48 milyon Euro’yu bulan elektrik alımlarını spot piyasadan 36 saat öncesinde satın alıyor.

Swissgrid, eskiden talebi komşu ülkelerdeki şebeke operatörlerince sağlanan hava durumu verileri ve takvim bazında tahmin ederdi. Oysa SENN sayesinde Swissgrid tahmin hatası oranını yüzde 11’den 10’a düşürerek yılda 100 binlerce frank tasarruf etti.

SENN sadece yüzde üçlük hata oranıyla olağanüstü yakınlıkta talep tahminleri üretebiliyor. Bu temelde nakil kayıplarını da doğrudan öngörebiliyor. Bunu başarabilmek için ise elektriğin nakledileceği alandaki saatlik talep gelişmelerini takip ediyor. Bunun dışında anlık enerji akışlarını, yenilenebilir kaynaklardan üretilmekte olan enerjiyi, hava durumu tahminlerini ve pompalı hidrolik elektrik santrallerindeki su seviyelerini de izliyor. Bütüncül düşünmek. Üretim, talep, fiyat ve enerji nakli gibi neredeyse bütün faktörlerin sürekli değiştiği geleceğin enerji piya- sasına doğru gidilirken yapılacak öngörüler, atılacak ilk adımdır. Bu sistemdeki bütün miktarlar birbirinden bağımsızdır ve sonuçta onların hepsinin bütüncül bir yaklaşımla ele alınması gerekir. Örneğin rüzgar tesisleri enerji üretimlerini artırırsa, o zaman geleneksel enerji santrallerinin daha az miktarda enerji üretmesi gerekir ki bu durumda elektrik fiyatları düşebilir. Talebe bağlı olarak rüzgar enerjisi kuzeye veya güneye doğru nakledilir. Bunun sonucunda nakil hatlarındaki kayıpların kapatılması için gerekli olan dengeleyici enerji miktarı da değişir. Grothmann, “Bu parametrelerin karşılıklı etkileşimleri ne kadar iyi tahmin edilirse, sistemin bütünü de o kadar verimli çalışır” diyor.

İşte SENN nöral ağının pırıl pırıl parladığı alan da zaten burasıdır. Analitik ilişkiler yerine bütün parametreler arasındaki karşılıklı ilişkileri tanımlayarak öğrendiği için onun tahminleri daha şimdiden karşılıklı bağlılıkları kapsayabiliyor.

Grothmann, “SENN’in kullanım alanlarından biri de elektrik ve diğer hammadde fiyatlarındaki gelişmeler, talebin durumu ve karbon salımı izinlerinin maliyeti gibi geniş bir yelpazede yer alan parametrelerden yola çıkılarak elektrik fiyatının tespit edilmesidir. Bizim yazılımımızı eşsiz kılan da işte bu özelliği” diyor.

Günümüzde birden fazla enerji santrali olan bir enerji tedarikçisi doğalgazı ucuza satın almak ve karbon izinleri ile elektriğin fiyatını öngörebilecek bir şekilde elektrik çıktısını optimum seviyede ayarlayabilmek için daha şimdiden SENN’den faydalanabilir. Gelecekte ise bir şebeke operatörü enerji tedarikçisine talep ve beklenen dengeleyici enerji gereksinimi hakkında tahminler sunabilir. Bu tahminler sonuçta diğer ortaklarca sağlanan üretim ve talep tahminlerine dayanır. Bütün bunlar sayesinde enerji piyasalarının baş döndürücü dalgalanmalarıyla başa çıkmak oldukça kolaylaşmaktadır, çünkü oyuncuların hepsi kendi faaliyetlerini diğer piyasa katılımcılarını etkileyecek gelişmeler gerçekleşmeden önce düzenleyebilmektedir.

Dr. Ralph Grothmann’ın öngörü yazılımı tıpkı bir insan beyni gibi çalışıyor: Yazılım karşılıklı ilişkilerden öğreniyor.

Her ne kadar güneş ışığı ve rüzgar güvenilmez olsa da Siemens’in yazılımı gerçekleşecek elektrik üretimini tahmin edebilmeyi öğreniyor.

Tahmin yazılımıyla verimlilik olağanüstü boyutlarda artırılabilir.

Newspapers in Turkish

Newspapers from Turkey

© PressReader. All rights reserved.