Short-term load forecasting by using artificial neural networks
Yapay sinir ağları kullanarak kısa süreli yük tahmini
- Tez No: 513553
- Danışmanlar: YRD. DOÇ. DR. CAVİT FATİH KÜÇÜKTEZCAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Short-Term Load Forecast, Artificial Neural Network, Multi-Layer Perceptron, Feed-Forward Neural Network, Back-Propagation Algorithm, Short-Term Load Forecast, Artificial Neural Network, Multi-Layer Perceptron, Feed-Forward Neural Network, Back-Propagation Algorithm
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Yük tahmini, güç sistemleri için hayati bir bileşendir. Elektrik enerjisinin ekonomik ve güvenli bir şekilde tüketiciye sağlanması elektrik güç sistemi kurumlarının temel rolüdür. Güç sistemleri için önemli bir konu olan elektriksel yük tahminin daha yüksek başarımla yapılabilmasi amacıyla çalışılmaktadır. Güç sistemlerinde, ertesi güne ait güç üretiminin şimdiden planlanması gerektiğinden kısa dönem yüh tahmini, sistem operatörleri ve üretim şirketleri için oldukça önemlidir. Kısa dönem yük tahmini birkaç saat ile birkaç güç arasındaki zaman dilimini kapsamaktadır. Bu çalışmada, yapay sinir ağları yöntemi kullanılarak Faisalabad Elektrik Tedarik Şirketi için kısa dönem yük tahmini gerçekleştirilmiştir. Yapay sinir ağları, insan beyninin bilgi işleme sürecini taklit eden bir hesaplama aracıdır. Bu çalışmada, çeşitli yapay sinir ağları tipleri arasından ileri doğru ilerleyen yapay sinir ağları seçilerek kısa dönem yük tahmini için kullanılmıştır. Çalışmada kullanılan yapay sinir ağlarının giriş değişkenlerinin belirlenmesi için ReliefF ve korelasyon analizi yöntemleri kullanılmıştır. Sadece geçmiş elektriksel yük ve hava sıcaklığı verilerinden türetilmiş çok sayıdaki öznitelik içerisinden, yük tahmini için diğerlerine nazaran daha etkin olan öznitelikler bu yöntemlerle belirlenmiş ve farklı öznitelik seçim yöntemlerinin yapay sinir ağları performansına etkileri incelenmiştir. Bunun neticesinde, korelasyon analizi ile seçilen değişkenlerin kullanıldığı sinir ağları performansının daha yüksek tahmin başarısına sahip olduğu görülmüştür. Literatürde önerilen yapay sinir ağları yöntemlerinin iletim seviyesindeki elektriksel yükün gün öncesi tahmininde kullanımında %2.3'e varan hata oranları görülmektedir. Bu çalışma, daha küçük ve düzensiz profildeki yüklerin tahmininde de yapay sinir ağlarının benzer bir hata oranına sahip olduğunu göstermiştir. Ayrıntılı performans değerlendirmelerine göre, bu araştırmada önerilen tahmin yönteminin gün öncesi elektriksel yükü kabul edilebilir bir oranda tahmin edebildiği görülmüştür.
Özet (Çeviri)
Load forecasting is a vital component for power systems. For any electric power organization, it is their main role to provide electric energy in an economical and secured manner maintaining the quality. In power systems, electric load forecasting is a very essential issue and has been studied widely so that to attain more precise load forecasting results. Since in power systems the next day's power generation must be scheduled every day, day-ahead short-term load forecasting (STLF) is an important daily task for power companies. The short-term load forecast represents the electric load forecast for a time span of few hours to a several days. This thesis uses the method of Artificial Neural Networks (ANN) to create a STLF model for Faisalabad Electric Supply Cooperation (FESCO). FESCO can be described as an institutional/industrial-type electric load. The ANN is a mathematical/computational tool that mimics the way human brain processes information. Several types of ANNs are revealed in this research, among them Feed-Forward (FF) neural networks have been used to create a STLF model. Two different methods ReliefF and Correlation analysis are presented and used for the selection of important input variables which will be used as inputs of ANN. The inputs given to the ANN are historical electric load and average air temperature data. Correlation method provides better results for the selection of input variables rather than the ReliefF method. The ANN uses the historical electric load and weather data as an input and provides a forecasted electric load at its output. Average air temperature data is used in this research in order to achieve better short-term load forecasting results. Furthermost ANNs in the literature are used to forecast day ahead electric load for a transmission-level system with resulting load forecast errors ranging from nearly 0.1% to 2.3%. This research indicates that an ANN can be used to forecast the smaller, more disordered load profile of an institutional/industrial-type power system and results in a similar forecast error range. In addition, the in-service constraints of the FESCO electric load will be investigated along with the weather profiles for the site. Through detailed performance evaluations, this research demonstrate that the presented forecasting method is capable of predicting the day ahead electric load accurately.
Benzer Tezler
- Short term load forecasting by using artificial neural networks
Yapay sinir ağları kullanılarak kısa dönemli yük tahmini
ALI GHADIRIASL NOBARI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Yapay sinir ağları kullanılarak kısa dönem yük tahmini
Short term load frocasting using artificial neural network
ERHAN KARABAŞ
Yüksek Lisans
Türkçe
2005
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF.DR. SEZAİ DİNÇER
- Yapay zeka modelleri kullanarak ankara bölgesinin kısa dönem elektrik enerjisi yük tahmini
Short term electric energy load forecasting of ankara region using artificial intelligence methods
TUĞBA AKMAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMAL YILMAZ
DOÇ. DR. YUSUF SÖNMEZ
- 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
H.VOLKAN ÖZSÖKMEN
Yüksek Lisans
İngilizce
1994
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMET ERKMEN
- Ann based electricity consumption forecasting in Yasar University
Yapay sinir ağları kullanılarak Yaşar Üniversitesi yük tahmini
TUTKU ÇİMENDERE BUTEKİN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HACER ÖZTURA