Geri Dön

Yapay sinir ağları ile kısa dönem yük tahmini

Short term load forecasting with artificial neural networks

  1. Tez No: 154608
  2. Yazar: GÜLDEN CEYLAN
  3. Danışmanlar: PROF.DR. AYŞEN DEMİRÖREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2004
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 116

Özet

YAPAY SINIR AĞLARI İLE KISA DONEM YUK TAHMİNİ ÖZET Kısa dönem yük tahmini, enerji üretim ve enerji yönetim sistemlerinin gerçek zamanlı kontrolü için en önemli adımlardan biridir. Enerji santralının ve generator ünitelerinin çalışmasının planlanması ve üretimin minimum maliyette tutulması için kısa dönem yük tahminine gerelcsinim vardır. Bu tez çalışmasında, Gölbaşı Bölgesi'ne ait gerçek güç verileri kullanılarak geriye yayılım algoritması ile eğitilen çok katmanlı yapay sinir ağı modeli ile ertesi günün 24 saatlik yük tabjnini yapılmıştır. Yapay sinir ağı yönteminin etkinliğini ölçebilmek amacı ile geleneksel yöntemlerden regresyon analizi ile de tahminler yapılmıştır. Yük tahmini modeli oluşturulmadan önce Gölbaşı Bölgesi'nin 2002 ve 2003 yıllarındaki yük karakteristikleri incelenmiştir. Yapılan inceleme sonucu kısa dönem yük tahmini için, maksimum sıcaklık, minimum sıcaklık ve gün tipi etkilerinin modele dahil edilmesi gerektiği sonucu çıkarılmıştır. Benzer gün, yük tahmini yapılacak günden önceki 30 gün ve geçmiş yılda yük tahmini yapılacak güne denk düşen günden önceki ve sonraki 30 gün, toplamda 90 gün arasında araştırılır. 90 gün içinde en uygun olanı öklit normundaki ağırlık faktörleri vasıtasıyla bulunmuştur. Ağırlık faktörleri ise 90 gün için kurulan çoklu regresyon modelinden bulunur. Kısa dönem yük tahmini için, yapay sinir ağı modeli olarak ileri beslemeli çok katmanlı perseptron ağı kullanılmıştır. Yapay sinir ağının gizli katmanında sigmoid aktivasyon fonksiyonu, çıkış katmanında ise doğrusal aktivasyon fonksiyonu kullamlmıştnr. Giriş katmanında 30, gizli katmanda 53, çıkış katmanında ise 24 nöron bulunmaktadır. Gizli katmandaki nöron sayısı, deneme yanılma yolu ile elde edilmiştir. Ağın giriş verileri, benzer günün saatlik güçleri (24 giriş), yük tahmini yapılacak günün maksimum ve minimum hava sıcaklıkları tahmini (2 giriş), yük talmıini yapılacak gün ile benzer günün maksimum ve minimum sıcaklıklar farkı (2 giriş), yük tahmini yapılacak günün gün tipi endeks (1 giriş) ve yük tahmini yapılacak gün ile benzer günün gün tipi endeksleri farkıdır (1 giriş). 24 çıkış nöronu ise 24 saatlik yük tahmini değerleridir. Matlab 6.5 programında m-file dosyalan yaratılarak hazırlanan bilgisayar benzetim programı ile farklı mevsimlerdeki ve farklı gün tiplerindeki günler için yük tahminleri yapılmıştır. Sonuçlar gerçek güç değerleri ve regresyon analizi ile yapılan tahminler ile karşılaşünlmıştir. Sonuçlar incelendiğinde yapay sinir ağı yönteminin regresyon analizi yöntemine göre daha iyi tahmin sonuçlan verdiği görülmüştür. Bayram günlerinin tahmininde de yapay sinir ağı yöntemi ile regresyondan daha iyi sonuçlar elde edilmiştir. Ancak işlem zamanlan karşılaştmldığında, regresyon analizine ilişkin program yapay sinir ağı yöntemine göre çok daha kısa sürede yanıt vermektedir. Sonuç olarak, oluşturulan yapay sinir ağı ile yük tahmini modeli pratikte uygulanabilir bulunmuştur. xı

Özet (Çeviri)

SHORT TERM LOAD FORECASTING WITH ARTIFICIAL NEURAL NETWORKS SUMMARY Short term load forecasting is an essential task for real time control of power supply and power system planning. It plays a key role for economic and secure operation of power systems. Short term load forecasting should be accomplished for planning of operation of generator units and power plants. In this thesis, 24-hour ahead short term load forecasting with real actual data of Gölbaşı Region is examined by multilayer perceptron neural network. Also, short term load forecasting is applied with regression method to measure the effectiveness of artificial neural network method. Load characteristic of Gölbaşı Region on years 2002 and 2003 studied before the laod forecasting model established. As a result of this study maximum temperature, minimum temperature and day type factors are determined to construct the forecasting model. Similar day is searched from the past 30 days from the day before forecasted day and past 30 days before and after forecasted day in previous year. The best similar day is evaluated from euclidean norm with weight factors. Weight factors are determined by the least squares method based on regression model. Multilayer feed forward artificial neural network model is used for short term load forecasting. The activation function on hidden layer is sigmoid and it is linear on output layer. There are 30 neurons on input layer, 53 neurons on hidden layer and 24 neurons on output layer. Input datas are, hourly load data of similar day (24 inputs), minimum and maximum temperature of forecasted day (2 inputs), minimum and maximum temperature deviation between similar day and forecasted day (2 inputs), day type of forecasted day (1 input) ant deviation of day types of forecasted day and similar day (1 input). 24 output neurons are forecasted load values. Load forecastings of different days on different seasons and different day types are examined on simulation program which is prepared with m-files of Matlab 6.5. Simulation results are compared with results of regression method and actual load values. Studies show mat, artificial neural networks performance is better than regression method. But, regression methods operation time is less than artificial neural networks operation time. As a result artificial neural network method is pratically applicable to short term load forecasting problem. xu

Benzer Tezler

  1. Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini

    Forecasting short-term grid electricity load in homes that were connected to the smart grid by a novel method: recurrent linear regression

    HAZRET TEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖMER FARUK ERTUĞRUL

  2. Konut tipi tüketiciler için bir talep tarafı yönetimi uygulaması

    A demand side management appli̇cati̇on for residential consumers

    ÇAĞLA DİNDAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL KURT

    DR. ÖĞR. ÜYESİ İBRAHİM GÜRSU TEKDEMİR

  3. Yapay sinir ağları kullanılarak kısa dönem yük tahmini

    Short term load frocasting using artificial neural network

    ERHAN KARABAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF.DR. SEZAİ DİNÇER

  4. Short-term load forecasting by using artificial neural networks

    Yapay sinir ağları kullanarak kısa süreli yük tahmini

    USMAN NAJEEB KHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiBahçeşehir Üniversitesi

    YRD. DOÇ. DR. CAVİT FATİH KÜÇÜKTEZCAN

  5. Short term load forecastingusing GLVQ algorithm cascaded with a supervised ann.

    Öğretilmiş yapay nöron ağları ile GLVQ algoritmasını kullanarak kısa dönem yük tahmini

    BENGÜ BALA BALYA

    Yüksek Lisans

    İngilizce

    İngilizce

    1994

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSMET ERKMEN