Hybrid learning algorithm for intelligent short-term load forecasting
Akıllı kısa dönem yük öngörümü için karma öğrenim algoritması
- Tez No: 143640
- Danışmanlar: DOÇ. DR. İSMET ERKMEN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yapay Zeka, Karma Öğrenim, Sinirsel Ağlar, KDYÖ, Artificial Intelligence, Hybrid Learning, Neural Networks, STLF
- Yıl: 2003
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Kısa dönem yük öngörümü (KDYÖ), güç üretim sürecinin önemli bir kısmıdır. Yıllardır, olasılıksal zaman dizisi gibi geleneksel yaklaşımlarla elde edilmiştir; fakat son zamanlarda yazında, yapay zekaya dayalı yeni yöntemler ortaya çıkmış ve endüstride eslrilerinin yerini almaya başlamışta. Son gelişmeleri izlemek ve çağdaş bir sisteme sahip olmak için, sinirsel ağlarla Türkiye'de KDYÖ üzerine bir araştırma yapmak hedeflenmiştir. Bu amaçla, Türkiye'nin toplam elektrik yükünü bir gün önceden öngören bir yöntem düşünülmüştür. Var olan geçmiş verileri ağırlıkları uyarlamada kullanmak ve bu bağlantıları değişen şartlara göre daha fazla ayarlamak için, çevrim-dışı öğrenim ile gerçek zamanlı öngörümü birleştiren karma bir öğrenim planı geliştirilmiştir. Daha doğru öngörüm için, adım aralığım döngülü ayarlamak da ayrıca önerilmiştir. Bütün yük tiplerini tek bir sinirsel ağ modeli kapsayamayacağından dolayı, veriler karakter farklılıklarma göre kümelendirilmişlerdir. Bundan başka, özel günler normal eğitim kümelerinden çıkarılmış ve ayrı olarak ele alınmışlardır. Böylece, çalışma günlerini, hafta sonlarım ve özel tatil günlerini içeren tüm yük tipleri için bir çözüm önerilmiştir. Giriş değiştirgenlerinin seçimi için, ana bileşen çözümlemesine dayalı bir teknik önerilmiştir. Denektaşı olarak geleneksel bir ARMA modeli oluşturulmuş ve aynı veriler için sonuçlar karşılaştırılmıştır. Önerilen yöntem her zaman, özellikle de tatil yükleri için daha düşük hatalar vermiştir. 2002 yılı verileri için ortalama yanılgı %1.60 olarak elde edilmiştir.
Özet (Çeviri)
Short-term load forecasting (STLF) is an important part of the power generation process. For years, it has been achieved by traditional approaches stochastic like time series; but, new methods based on artificial intelligence emerged recently in literature and started to replace the old ones in the industry. In order to follow the latest developments and to have a modern system, it is aimed to make a research on STLF in Turkey, by neural networks. For this purpose, a method is proposed to forecast Turkey's total electric load one day in advance. A hybrid learning scheme that combines off-line learning with real-time forecasting is developed to make use of the available past data for adapting the weights and to further adjust these connections according to the changing conditions. It is also suggested to tune the step size iteratively for better accuracy. Since a single neural network model cannot cover all load types, data are clustered due to the differences in their characteristics. Apart from this, special days are extracted from the normal training sets and handled separately. In this way, a solution is proposed for all load types, including working days, weekends and special holidays. For the selection of input parameters, a technique based on principal component analysis is suggested. A traditional ARMA model is constructed for the same data as a benchmark and results are compared. Proposed method gives lower percent errors all the time, especially for holiday loads. The average error for year 2002 data is obtained as 1.60%.
Benzer Tezler
- Türkiye'nin kısa dönemli saatlik bazda elektrik tüketiminin yapay zeka teknikleri kullanılarak tahmin edilmesi
Short-term electricity load forecasting of Turkey using artificial intelligence technics
VOLKAN ATEŞ
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT LÜY
DOÇ. DR. NECAATTİN BARIŞÇI
- Makine öğrenmesi yöntemlerini kullanarak bir petrokimya firmasının hisse senedi fiyat tahmini
Stock price prediction of a petrochemical company using machine learning methods
ŞEVVAL TOPRAK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL
- Elektrokardiyogram verilerinin iyileştirilmiş yapay arı kolonisi (MABC) algoritması ile analizi
Analysis of electrocardiogram data by using modified artificial bee colony (MABC) algorithm
SELİM DİLMAÇ
Doktora
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR