A Modified kohonen neural network coupled to A kalman filter for short term load forecasting
Kısa dönem yük tahmini için kalman filtre ile izlenen ve değişikliğe uğratılmış bir kohonen sinirsel gözeli ağlar uygulanması
- Tez No: 35748
- Danışmanlar: DOÇ. DR. İSMET ERKMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Kısa dönem yük tahmini, yük sinyallerinin gruplandınlması, geri yayılım, yapay sinirsel gözeli ağlar, Kalman filtresi, Short term load forecasting, clustering of load signals, back propagation, artificial neural networks, Kalman filter
- Yıl: 1994
- 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: 97
Özet
ÖZ KISA DÖNEM YÜK TAHMİNİ İÇİN KALMAN FİLTRE İLE İZLENEN VE DE?İŞİKLİ?E U?RATILMIŞ BİR KOHONEN SİNİRSEL GÖZELİ A?LAR UYGULAMASI ÖZSÖKMEN, Hakkı Volkan Yüksek Lisans Tezi, Elektrik ve Elektronik Mühendisliği Anabilim Dalı Tez Yöneticisi: Doç.Dr. İsmet ERKMEN Eylül, 1994, 87 sayfa. Bu tezde, bir hibrid sinirsel gözeli ağlar (SGA) yapısı kullanılarak, kısa dönem yük tahmini (KDYT) için yeni ve akıllı bir teknik ortaya konulmaktadır. KDYT yapımız iki ana bölümden oluşmaktadır. 1) Saatlik yük sinyallerinin izlerinin algılanması ve sınıflandırılması. 2) Yük tahminlerinin yapılması için danışmanlı bir yapay SGA ile bağlantılı bir Kalman Filtre. Sistem yükünün sınıflandırılması için kullanılan değişikliğe uğratılmış Kohonen algoritması, 3 tabakalı geri yayılım öğrenme algoritması kullanan danışmanlı bir SGA ile bağlantılı olup, tüm bu sistem yük tahmini yapmakta kullanılan birinci derece lineer bir Kalman filtresi ile izlenmektedir. Yöntemimizin performansı Türkiye Enterkonnekte Sistemi' nin 1991 ve 1992 yıllarındaki saatlik yük verileri kullanılarak test edildi. Özellikle, çalışmamızın sistem yükünün sınıflandırılması sırasında sübjektivite ve bir temele dayandırılmadan yapılan çıkarımların ortadan kaldırılmasına yönelik bir amaç taşıyan ilk bölümünde oldukça çarpıcı sonuçlar elde edildi. Son bölümde ise sistem yükünün sınıflandırılması aşaması bir Kalman filtre ile izlenerek KDYT yapıldı. 1992 yılının bahar aylarından (Mart, Nisan ve Mayıs) rastgele seçilmiş farklı tiplerde toplam 27 günden elde edilen test IVsonuçlan % 2.12' lik bir ortalama, sırasıyla % 3.00' lük ve % 0.06' lık standart sapmalara sahip, % 3.74' lük maksimum ve % 0.04' lük minimum hata oranlarını ortaya çıkardı. Çalışmamızın önemli bir özelliği, benzer yük sinyalleri taşıyan günlerin kullanıcı karan yerine yük eğrilerinin sınıflanna göre otomatik olarak gruplandınlmasıdır.
Özet (Çeviri)
ABSTRACT A MODIFIED KOHONEN NEURAL NETWORK COUPLED TO A KALMAN FILTER FOR SHORT TERM LOAD FORECASTING ÖZSÖKMEN, Hakkı Volkan M.S. in Electrical and Electronics Engineering Supervisor: Assoc. Prof.Dr. İsmet ERKMEN September, 1994, 87 pages. In this study, a new intelligent technique in short term load forecasting (STLF) is proposed by using a hybrid neural network architecture. Our STLF architecture consists of two basic phases. 1) Pattern recognition and clustering of hourly load signals 2) A supervised artificial neural network (ANN) in conjunction with a Kalman filter for load forecasting. A modified Kohonen algorithm is used for clustering of system load in cascade with a supervised neural network using a three layer back propagation (BP) training algorithm followed by a first order linear Kalman filter during the load forecasting. The performance of our method have been tested by using the hourly load data of Turkish Interconnected System for 1991 and 1992. In the first phase of our work, in an attempt to eliminate subjectivity and heuristics during the clustering of the system load, promising results have been obtained. In the final phase, clustering stage has been coupled to a Kalman filter for STLF. Test results of the system on randomly chosen 27 days of different day types from spring,i.e. March, April and May, 1992showed a performance of 2.12 % on mean error, with a maxima of 3.74 % and a minima of 0.04 % having standard deviations 3.00 % and 0.06 %, respectively. The important feature of our work is in replacing human judgement by automatic clustering of similar data in load signals in terms of pattern classes.
Benzer Tezler
- Değiştirilmiş kohonen ağı simülasyon programı
A Simulation program for modified kohonen network
ENDER TUNÇ EROĞLU
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. UĞUR ÇİLİNGİROĞLU
- Short term load forecasting using genetically optimized neural network cascoded with a modified kohonen clustering process
Başlık çevirisi yok
ALİ ÖZDOĞAN
Yüksek Lisans
İngilizce
1996
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMET ERKMEN
- Uydu görüntü verisinin yapay sinir ağları ile sınıflandırılması
Classification of satellite imagery data with artificial neural networks
COŞKUN ÖZKAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ.DR. FİLİZ SUNAR ERBEK
- A Modified driver for salient pole permanent magnet synchrondus motors
Geliştirilmiş çıkıntı kutuplu sabit mıknatıslı senkron motor sürücüsü
MUSTAFA CAN ALTUNGÜNEŞ
Yüksek Lisans
İngilizce
1999
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ARİF ERTAŞ
- A Modified anaerobic contact process for treating low strength wastewater
Seyreltik atıksuların geliştirilmiş bir havasız aktif çamur prosesinde arıtılması
METİN ALBUKREK
Doktora
İngilizce
1998
Çevre MühendisliğiBoğaziçi ÜniversitesiÇevre Bilimleri ve Enerji Yönetimi Ana Bilim Dalı
PROF. DR. GÜNY KOCASOY