Recurrent neural network based approaches for electricity consumption forecasting
Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini
- Tez No: 511665
- Danışmanlar: PROF. DR. GÖZDE ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 99
Özet
Kısa dönemli elektrik tüketim tahmininin amacı bir saat sonrası ile birkaç hafta sonrasında gerçekleşecek elektrik tüketimini tahmin etmektir. Bu tezde bir haftalık tahmin sistemi üzerinde deneyler yapılmıştır. Elektrik tüketimi tahmininin önemi iki ana başlıkta irdelenebilir. Bu başlıklardan ilki, elektrik tüketimi tahmininin sistem yönetimi aşamasındaki önemidir. Ülke çapında elektrik tüketiminde arzın ve talebin kesintisiz bir şekilde eşleştirilmesi gerekmektedir. Anlık talep için yeterli miktarda arz olmadığında bölgesel bazlı elektrik kesintileri gerçekleşebilmektedir. Arzın talepten fazla olduğu durumlarda elektrik santrali işletmeleri liberal market koşullarında finansal zararlar edebilmektedirler. Gelecekteki elektrik tüketimini önceden tahmin edebilmek, sistem yöneticilerinin arz-talep dengesini sağlamalarında fayda sağlayacağı gibi, öncül önlemler alarak olası problemlerin önüne geçmelerini sağlayacaktır. Elektrik santrallerinin önemli bir kısmının anlık olarak çalıştırılıp kapatılabilmesi söz konusu olmayabilmektedir. Bu sebeple, kısa dönem elektrik tahmini uyarınca sistemin dengesini sağlamakla yükümlü olan kurum ve kuruluşlar üretim planlamalarında ya da santral bakım planlarında öncül önlemler alabilmektedir. Elektrik tüketim tahmininin önem arz ettiği ikinci başlık ise finansal işlemlerdir. Elektrik borsasında işlem yapmakta olan finansal kuruluşlar, bu market içerisinde alım-satım gibi finansal operasyonlar yapmaktadırlar. Bu işlemler gün içi alım satım operasyonları olabileceği gibi, gelecek zamanlara ait sözleşmelerde alıcı ve satıcının belirlediği fiyatlar dahilinde yapılabilmektedir. Bu operasyonlarının karlılığını belirleyebilecek önemli etkenlerden birisi gelecekteki elektrik tüketimini, üretimini ve bunlara bağlı olarak oluşan elektrik fiyatının doğru tahminidir. Daha iyi elektrik tüketim tahmini bu noktada firmaların yapacağı operasyonlardaki karlılık şansının artmasında önemli rol oynayabilmektedir. Elektrik tüketimi belirli aralıklarla ölçülüp raporlanmaktadır. Bu aralıklar ülkeden ülkeye göre değişiklik gösterebilmektedir. Örneğin Birleşik Krallıkta bu ölçümler 15 dakikalık yapılırken, Türkiye'de bu ölçümler saatlik olarak yapılmakta ve raporlanmaktadır. Elektrik tüketimin zaman bazlı değişen yapısı, elektrik tüketim tahmini probleminin zaman serisi problemi olarak ele alınmasına yol açmaktadır. Çalışmamızda Türkiye Elektrik Tüketimi verisi incelenmiş, başlıca karakteristik özellikleri analiz edilmiştir. 2010-2017 yılları arasında düzenli olarak Türkiye'nin saatlik elektrik tüketim miktarının yıllık ekonomik büyüme rakamları ile parallellik gösterecek şekilde arttığı gözlemlenmiştir. Bunun yanı sıra, elektrik tüketimini belirleyen iki ana aktör olduğu belirlenmiştir. Bu aktörlerin ilki endüstri (fabrikalar, ofisler), ikincisi ise hane tüketimidir. İki grubun elektrik tüketimi karakteristiğinin farklı olması elektrik tüketimi tahmini problemini karmaşık hale getirmektedir. Hane tüketimini etkileyen önemli faktörlerin hava durumu koşulları ve mevsimler olduğu gözlemlenmiştir. \newpage Kış aylarında düşen sıcaklık değeri ya da yazın en yüksek değerlerine ulaşan sıcaklık değeri, oda sıcaklığını regüle eden elektrikli aletlerin kullanımını arttırmakta ve yüksek tüketim değerlerine yol açmaktadır. Bunun yanı sıra, artan nüfus oranı, hane halkının elektrikli aletlere erişim imkanının artması gibi sebepler orta-uzun vadede ülkenin elektrik ihtiyacını arttıran etkenler olarak öne sürülebilir. Endüstri bazında ise, takvimsel özelliklerin önemli bir faktör olarak öne çıktığı gözlemlenmiştir. Ulusal tatillerde, dini bayramlarda ve iş saatleri dışındaki elektrik tüketiminde endüstri ve sektörün kapalı olması sebebiyle düşüş gözlemlenmektedir. Elektrik tüketim tahmini için pek çok metodoloji uygulanmakla birlikte, Yapay Sinir Ağları ve Otoregresif Hareketli Ortalamalar Modeli algoritmaları en öne çıkan yöntemlerdir. Bunun yanı sıra, Özyineli Sinir Ağları (RNN) odaklı çalışmalar son yıllarda elektrik tüketim tahmini problemi özelinde popülarite kazanmaktadır. Özyineli Sinir Ağları sekans verisi üzerine odaklı makine öğrenmesi problemleri için geliştirilmiştir. Doğal Dil İşleme, Video İşleme, Zaman Serisi gibi konular bu problemlere örnek olarak gösterilebilir. Bu tezde, Özyineli sinir ağları, Uzun-Kısa Dönemli Bellek (LSTM) ve Kapılı Özyineli Birimler (GRU) yöntemleri kullanılarak elektrik tüketimi problemi üzerinde kısa dönem tahmin deneyleri yapılmıştır. Verikümesi olarak 2010 yılından itibaren başlayan saatlik Türkiye elektrik tüketim verisi kullanılmış, yapılan testlerde 2017 yılı elektrik tüketim değerleri kullanılmıştır. Bunun yanı sıra, hava sıcaklığı verisinin elektrik tüketim tahmini problemi üzerindeki etkisinin araştırılması için toplam sıcaklık değeri hesaplaması yöntemi öne sürülmüş, bu hesaplanmış sıcaklık değerinin sonuçlar üzerindeki etkisi araştırılmıştır. Toplam hava sıcaklığı değerini hesaplamasında 81 ilin 2010 yılı ile 2017 yılı sonuna kadar olan zaman dilimindeki saatlik hava sıcaklığı değerleri kullanılmıştır. Her bir ilin elektrik tüketimine olan katkısının nüfusu ile doğru orantılı olduğu varsayılarak illere nüfuslarının toplam nüfusa orantılı olacak şekilde ağırlık ataması yapılmıştır. İllerin saatlik sıcaklık değerleri hesaplanan ağırlıkları ile orantılı olacak şekilde düzenlenmiş, her bir saat için her bir ilin ağırlıklı sıcaklık verisi toplanarak saatlik toplam sıcaklık değeri hesaplanmıştır. Yapılan ilk grup deneyler en iyi ağ parametrelerini bulmak amacını taşımaktadır. Mevsimsel başarım farklılıklarının da sürece dahil edilebilmesi için 2017 yılının her mevsiminden seçilen bir ayın son haftası test kümesi olarak kullanılmış, eğitim kümesi olarak ise 2010 yılından doğrulama kümesinin başlangıç tarihine kadar olan zaman aralığındaki veriler kullanılmıştır. Bu bağlamda ilk olarak doğrulama kümesinin boyutunun belirlenmesi deneyi yapılmıştır. Çeşitli büyüklükteki doğrulama kümeleri test kümesinden önceki zaman aralığından seçilmiştir. Bu deneyler akabinde elde edilen en az ortalama mutlak yüzdelik hatayı elde eden doğrulama kümesi boyutu sonraki deneylerde sabit tutularak kullanılmıştır. En iyi performans gösteren doğrulama kümesi boyutunun bulunmasından sonra, en iyi performans gösteren parametre grubunu bulmak için deneyler yapılmıştır. Farklı boyutlardaki gizli durum vektörleri, katman sayıları, girdi/çıktı dizisi boyutları ve çift yönlü-tek yönlü özniyeli sinir ağları gibi parametre adayları arasından parametre kombinasyonları belirlenmiştir. Belirlenen 120 farklı parametre kombinasyonlarındaki her bir parametre grubu 4 farklı test kümesi için ayrı ayrı eğitilip test edilmesi sonucu belirlenmiştir. En düşük hata oranına sahip olan parametre grubu tespit edilip, sonraki deneylerde bu parametre grubu kullanılmıştır. Sonraki deneylerde kullanılan test kümeleri, 2017 yılının her bir ayının son haftası olarak belirlenmiştir. Her bir deneyde 12 farklı test kümesi üzerindeki ortalama mutlak yüzde hatası başarım kıstası olarak kullanılmıştır. Eğitim kümesi 2010 yılından başlatılmış olmakla beraber, doğrulama kümesi ve parametre kombinasyonu olarak ilk grup deneylerden elde edilen sonuçlar kullanılmıştır. Çoklu-Çoklu ağ mimarisi deneyleri aynı uzunluktaki girdi sekansı ile aynı uzunluktaki çıktı sekansına sahiptir. Bu bağlamda yapılan deneylerinin ilkinde RNN, LSTM ve GRU yöntemlerinin 12 farklı test kümesi üzerindeki başarımı, hesaplanan toplam sıcaklık değeri bazlı öznitelikler de öznitelik kümesine dahil edilerek ölçülmüş olup GRU ağının LSTM ağından bir miktar daha iyi başarım elde ettiği, RNN ağının ise üç aday arasında en kötü performansı sergilediği ölçülmüştür. Çoklu-Çoklu ağ mimarisi deneylerinin ikincisinde, kullanılan öznitelik kümesinden hesaplanan sıcaklık değeri bazlı öznitelikler çıkartılarak deneyler yapılmıştır. Bu deneylerin amacı sıcaklık bazlı özniteliklerin tahmin başarımına olan etkisini ölçmektir. Sıcaklık bazlı özniteliklerin yer almadığı çoklu-çoklu ağ mimarisi deneylerinde başarımın önemli ölçüde düştüğü gözlemlenmiş, hesaplanan toplam sıcaklık değerinin elektrik tüketimi tahmini probleminde önem teşkil ettiği sonucuna varılmıştır. Son grup deneyde farklı uzunluklardaki girdi-çıktı sekansları kullanılmıştır. Girdi sekansı çıktı sekansından daha uzun tutularak, ortaya konan özyineli sinir ağının geçmiş zamandan elde ettiği bilgiyi tahmin için kullanmasının etkisi araştırılmıştır. Bu bağlamda 168 saat (1 hafta) girdi, 24 (1 gün) saat çıktı uzunluğu ve 336 saat (2 hafta)girdi, 168 saat (1 hafta) çıktı uzunluğu konfigürasyonları ortaya konmuştur. Ölçülen sonuçlar neticesinde bu konfigürasyonlardan elde edilen başarımın çoklu-çoklu mimariden elde edilen başarımlardan daha iyi olduğu gözlemlenmiştir. Yapılan deneyler içerisinde en yüksek başarımı elde eden deneyin 168 saat girdi ve 24 saat çıktı sekans uzunluğu kullanan mimari olduğu gözlemlenmiştir. Hata analizi kısmında en iyi başarımı elde eden bu modelin aylık hataları incelenmiştir. En iyi başarım elde eden modelin aylık başarım hataları incelendiğinde Ocak, Şubat, Mart, Haziran, Eylül, Ekim, Kasım ve Aralık aylarında ortalama hatanın altında hata oranına sahip olduğu gözlemlenmiştir. Hataların en yüksek çıktığı aylar, Haziran, Ağustos ve Nisan olarak belirlenmiştir. Hataların en yüksek çıktığı günlere bakıldığında bu günlerin resmi tatil ve dini bayramlara denk geldiği gözlemlenmiştir. Bu bağlamda oluşturulan modelin bayram/tatil günlerini tahmin etmede başarısız olduğu sonucuna ulaşılmıştır. Bayram/Tatil günlerinin toplam veri kümesindeki veri miktarına oranla oldukça düşük sayıda veriye sahip olması yüksek hata oranlarının önemli sebeplerinden biri olduğu düşünülmektedir. Bu konuda gelecekteki çalışmalar başlığı altında, tatil günlerindeki hata oranının düşürülmesi konusunda yapılabilecek önlemler sıralanmıştır. Bu önlemlerden ilki çeşitli örnekleme yöntemleri kullanılarak tatil günleri için vekil veri oluşturulmasıdır. İkinci önlem olarak, bayram/tatil günlerindeki hata karakteristiğinin gerçekleşen elektrik tüketiminden büyük tahminler yapmasından faydalanılarak, bir önceki yılın aynı tatil gününe ait yüzdelik hata oranında tahminin rötuşlanması olarak belirlenmiştir. Son önlem olarak sağlama kümesine geçmiş yıllara ait aynı tatil aralıklarının kullanılmasının fayda sağlayabileceği belirtilmiştir. Bunların yanı sıra, gelecekteki çalışmalarda, kar yağışı ve nemlilik gibi farklı hava durumu değerlerinin başarıma olan etkisinin ölçülmesi, özyineli yapay sinir ağlarında kullanılan dikkat mekanizmasının zaman serisi problemi üzerindeki başarımının araştırılması önerilmiştir.
Özet (Çeviri)
The goal of short-term electricity consumption forecasting is prediction of future electricity consumption values, ranging from one hour ahead to weeks ahead. Electricity consumption forecasting has mainly two important ramifications. First one is at system level. Since electricity at a country level has lack of proper storage options, supply and demand should be matched continuously. When supply is not enough for demand, electricity short cuts might happen. When demand is less than supply, financial problems might occur for power plant owners due to nature of liberal market. Predicting future electricity consumption allows system administrators to plan the supply in a proactive manner. Since most of the electricity plants are not able to start working immediately, they need couple of hours of preparation beforehand. With short-term electricity forecasting, institutions which are responsible for maintenance of electricity, would make better decisions on supply planning. Second importance of short-term load forecasting lays upon financial institutions focused on electricity market. Those institutions apply financial operations (e.g. buy/sell) on electricity market. Crucial part of these operations is predicting future electricity supply, demand and finally price. With better consumption forecasting systems, financial institutions may trade electricity with higher profit since electricity consumption is one of the main factors that modifies electricity prices. Electricity consumption is measured on specified intervals. These intervals may change from country to country, while in United Kingdom this interval is 15 minutes, in Turkey electricity consumption is measured and reported in hourly intervals. Time-based measurement of electricity consumption, turns the forecasting problem into a time series problem. There are two main actors in determining electricity consumption. First one is industry (e.g factories, offices) and second one is household consumption. Since underlying characteristics of electricity consumption of those groups are different, it turns out that aggregate electricity consumption is a more complicated problem. One of the underlying factors that affect household electricity consumption is weather conditions. While temperature goes low in winter or goes high in summer, usage of electricity devices to regulate temperature of house and rooms increases. For industry, calendar based factors are main contributors. On national holidays, religious feasts and off-work hours, a decrease in consumption is observed due to idle industry. Although various methodologies are applied on short-term electricity consumption forecasting, Artificial Neural Networks and Auto Regressive Integrated Moving Average based methodologies are most often applied solutions. Since Recurrent Neural Networks are developed for processing machine learning problems focusing on sequence data, their application to time series problems is gaining popularity recently. In this thesis we focus on application of Recurrent Neural Networks and its variations, namely Long-Short Term Memory and Gated Recurrent Units on short-term electricity consumption forecasting problem. As a dataset, we use hourly aggregate electricity consumption of Turkey starting from the year 2010. We use hourly electricity consumption data of the year 2017 as the test data, where remaining data starting at year 2010 is used for training. Since seasonality is one of the determining factors or levels of electricity consumption, we measure our models' performance for each month of the year. For the first part of the thesis, we focus on analysing and exploring electricity consumption of Turkey for a better understanding of its characteristics. In the second part, we start with generating aggregate temperature values and analysing its relation with electricity consumption. After that, we continue with applying different RNN/LSTM/GRU architectures, like many-to-many, too-many-to-many, bidirectional recurrent networks and more deeper networks. Lastly, we provide a comprehensive error analysis of our best model, aiming to determine which part of the year is more difficult to guess, and provide some recommendations to have a better performance on those parts.
Benzer Tezler
- Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği
Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye
MAYSA GAIDOUM AHMED GAIDOUM
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Farklı makine öğrenmesi yöntemleri ile enerji piyasasında yerel marjinal fiyat tahmini
Local marginal price forecasting using different machine learning approaches
BAŞAK ERSÖZ YILDIRIM
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. OZAN ERDİNÇ
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Time series forecasting on solar radiation using deep learning
Güneş ışınımı üzerinde derin öğrenme kullanarak zaman serileri tahmini
MURAT CİHAN SORKUN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZLEM DURMAZ İNCEL
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ