Kısa dönem enerji talep tahmini ve yük dağıtımı
Short-term energy demand forecasting and load dispatch
- Tez No: 468311
- Danışmanlar: YRD. DOÇ. DR. BAYRAM AKDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Enerji tahmini, Günlük veri, Performans ölçümü, Yapay sinir ağları, Artificial neural networks, Daily data, Energy forecasting, Performance measurement
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Yenilenebilir enerji, hükümetlerin fiillerini ve yeteneklerini geliştirmelerinde günden güne yaygınlaşmaktadır. Ayrıca çeşitlendirilmiş güç tesisleri birincil kaynak risklerinin azalmasına sebep olmaktadır. Buna karşın yenilenebilir enerjinin kullanımı, tekrar üretimin sağlanabilmesi için beklenmesi gereken 2. döngünün tamamlanmasına kadar tamamen tükenmemesi için sınırlandırılmıştır. Bu çalışmada 1MWp gücündeki güneş enerjisi tesisinin gerçek değerleri ile simule edilmiş değerleri karşılaştırılmıştır. Güneş enerjisinin üretiminin maksimum başarıya ulaşabilmesinde çevresel koşullar etkilidir. Sıcaklık, rüzgar hızı, nem ve ışıma parametreleri ayrıntılı bir şekilde incelenmelidir. Bu parametreler enerji üretiminin tahmini için yapay sinir ağlarının girişleri olarak kullanılacaktır. İlk olarak geriye dönük günlük veriler oluşturulmuştur ve sistemin hataları filtre edilerek düzenlenmiştir. Bu veriler güneş enerjisi üretiminin tahmini için yapay sinir ağlarına giriş değerleri olarak verilmiştir. Yapay sinir ağları doğrusal olmayan problemlerin çözümlerinde yaygın olarak kullanılmaktadır (inşaat, sağlık vb.). Oluşturulmuş veri yapısı doğrusal olmayan bir karakteristiğe sahiptir ve değişkenler arasındaki ilişkiler çıkışı etkilemektedir. Yapay sinir ağları en iyi çözümü bulmak için çabalamaktadır. Günlük verileri kullanarak, bir sonraki günün muhtemel enerji üretimini bulmak temel hedeftir. Önerilen method geriye yönelik verilere göre bir sonraki günün enerji üretimini bulmayı sağlamaktadır. Sonuçları değerlendirmek için ortalama karesel hata ve R2 değerleri kullanılmıştır. R2 değeri, elde edilmiş değer ile beklenen değerin birbiriyle ne kadar örtüştüğünü göstermektedir. İlaveten bu iki ölçütün değeri sistemin başarısının değerlendirilmesine olanak sağlamıştır. Bu çalışmada 1MWp gücündeki güneş enerjisi tesisinin kısa dönem enerji üretiminin tahmini için yapay sinir ağları kullanılmıştır. Ayrıca bu çalışmada yapay sinir ağları güç dağıtımı çalışması için uygulanmıştır. Bu uygulamada öncelikle 1MW'lık örnek bir güç belirlenmiştir. Daha sonra IEEE30 sisteminin katsayılarından faydalanılarak veri seti oluşturulmuştur. Bu veri seti jeneratörlerin çalışma gücü aralıklarına göre yeniden düzenlenmiştir. Düzenlenen veri seti kullanılarak, belirlenmiş olan 1MW gücün IEEE30 sistemindeki 6 tane jeneratöre güç dağıtımı yapay sinir ağları kullanılarak tahmin edilmiştir. Sonuçları değerlendirmek için ortalama karesel hata ve R2 değerleri kullanılmıştır. R2 değeri, elde edilmiş değer ile beklenen değerin birbiriyle ne kadar örtüştüğünü göstermektedir. İlaveten bu iki ölçütün değeri sistemin başarısının değerlendirilmesine olanak sağlamıştır.
Özet (Çeviri)
Renewable energy is getting common day by day to improve government acts and capability. Moreover, diversified power plants lead to reduce primary source risks. On the contrary, renewable energy sources are limited to use up and wait for second cycle for regeneration. in this study, solar energy plant for 1MWp is observed and compared with simulations and real values. Solar power generation is related to environmental conditions to achieve maximum power point. Temperature, wind speed, humidity and irradiation parameters are scrutinized and sourced for artificial neural network inputs to forecast possible energy production for daily using. As first, backward data structure is created and filtered in case of solar power system failure. Arranged data is used to feed artificial neural network inputs to obtain forecasted solar energy production. Artificial neural network is widely used to solve nonlinear problems in many areas such as aerospace, construction, medical and etc. Data structure has nonlinear characteristics and relations among the variables effecting the output. Artificial neural network tries to find best possible solution. Target is to find possible energy production using daily recorded data for the next day. Proposed method finds possible energy production capability for the next day using backward data. In order to evaluate the results, mean square error and R2 statistical evaluation methods were used. R2 is a way to present for expected and obtained values cover each other or not. In addition to R2, mean square error is used to evaluate system success. In this study, artificial neural network is used to forecast short term energy production for real 1 MWp solar plant. Also in this study, artificial neural network was applied for load dispatch study. Firstly, it is specified for 1MW power in this implementation. After that, data set was created using coefficients of IEEE30 system. That data set has been arranged according to intervals of working power generators have. Load dispatch of 6 generators belonging to IEEE30 has been forecasted using artificial neural network. Using arranged data set, it has been forecasted the load dispatch of 1MW power made to six generators in IEEE30 system using artificial neural networks. In order to evaluate the results, mean square error and R2 statistical evaluation methods were used. R2 is a way to present for expected and obtained values cover each other or not. In addition to R2, mean square error is used to evaluate system success.
Benzer Tezler
- Mikro şebekelerde yük ve yenilenebilir enerji kaynakları tahminine dayalı ekonomik yük dağıtımı
Economic load distribution based on load and renewable energy resources forecast in microgrids
MEHMET DAYIOĞLU
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RIDVAN ÜNAL
- Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama
A dynamic energy management model proposal for energy management in industrial microgrids and a case study
ZEYNEP BEKTAŞ
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Elektrik enerji piyasalarında iletim hat parametrelerinin tıkanıklık üzerine etkileri
The effects of transmission line parameters on congestion in competitive power markets
CANAN ZOBİ
Doktora
Türkçe
2005
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ.DR. CANBOLAT UÇAK
- Turkey's short term hourly electricity demand forecasting using artificial neural network
Yapay sinir ağı ile Türkiye'nin kısa vadeli saatlik elektrik talep tahmin
MUHAMMED G YASİN
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. VEHBİ ÇAĞRI GÜNGÖR
- Yük tahmini yöntemleri ve Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. bölgelerine uygulanması
Load forecasting methods and application of Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. regions
EKREM GÜRSOY
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ADNAN KAYPMAZ