Short term electricity consumption prediction with neural networks
Yapay sinir ağları ile kısa dönemli elektrik tüketimi tahminlemesi
- Tez No: 586521
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN AYVAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Kısa ve çok kısa dönemli elektrik tüketimi tahminlemesi ekonomik açıdan büyük önem taşımaktadır. Üreticiler açısından talebi tahmin ederek ona uygun şekilde üretim yapabilmek, elektriği depolamanın maliyetlerinden dolayı ve spot piyasadaki değişken fiyatlar nedeniyle kârlılığı önemli ölçüde etkilemektedir. Özellikle akıllı sayaçların yaygınlaşması ve bunların ürettiği büyük zaman serisi verileri sayesinde, yapay sinir ağları algoritmaları giderek daha fazla ilgi görmektedir. Google tarafından çıkarılan TensorFlow yapay sinir ağı kütüphanesi, bilgisayarların grafik işlemcisini kullanması sayesinde, normal işlemcinin kullanımına kıyasla onlarca katla ölçülen performans avantajları sağlamaktadır. Kısa vadeli elektrik tüketimi tahminlemesinde, birkaç saatten birkaç güne kadar tahminleme hedefinde hız önemli olduğundan, yapay sinir ağlarının bu alanda kullanımının önemi daha da artacaktır. Gerçekleştirilen çalışmada Portekiz'de gerçekleştirilen bir projenin sonucu olan SustData elektrik tüketimi veri seti kullanılmıştır. Gerçek veriden kaynaklanan sorunlar değerlendirilerek çözümlendikten sonra farklı yöntemlerle tahminleme gerçekleştirilmiştir. Çalışmanın literatür taraması kısmında tahminleme hedefleri ve bunlar için kullanılan yöntemler değerlendirilmiştir. Büyük verinin enerji piyasasındaki kritik rolü irdelenerek, aşağıdan yukarıya ve yukarıdan aşağıya tahminleme teknikleri karşılaştırılmıştır. Ayrıca sektör tarafından kullanılmakta olan metotlar ve modeller tanıtılmıştır. Verinin değerlendirilmesi ve özellik seçimi kısmında, veri eksiksizlik ve anlamlı olma kriterlerine göre değerlendirilmiş, meteoroloji verileri ile birleştirilmiştir. Ayrıca düzensiz okuma aralıklarından kaynaklı problemlerin çözümü araştırılmıştır. Son olarak, Twitter'ın anormallik tespiti kütüphanesi, Facebook'un Prophet kütüphanesi ve Long/Short Term Memory (LSTM) yapay sinir ağı uygulaması ile tahminleme modelleri geliştirilerek, özellikler üzerinde uygulanan dönüşümlerle doğrulukları iyileştirilmiştir. Son olarak, kısa vadeli yük tahminleme alanındaki mevcut duruma göre gelişim alanları ve muhtemel araştırma konuları irdelenmiştir.
Özet (Çeviri)
The estimation of short and very short-term electricity consumption is of great economic importance. Estimating the demand and making production in accordance with it significantly affects the profitability due to the costs of storing electricity and the variability of the prices in the spot market. Artificial neural network algorithms are becoming more and more popular, especially due to the increasing use of smart meters and the huge time series data they are producing. The TensorFlow artificial neural network library, released by Google, provides big performance benefits compared to the use of the normal processor, thanks to the use of computers' graphics processor. In the prediction of short-term electricity consumption, usage of artificial neural networks is increasing as the speed gains importance in prediction target from several hours to several days. In the study, SustData electricity consumption data set which is the result of a project in Portugal was used. After evaluation of the problems originating from real data, the data is pre-processed and predictions are made using Prophet package from Facebook and Long Short-Term Memory neural network. In the literature review section of the study, prediction targets and methods were evaluated. The critical role of big data in the energy market is examined, bottom-up and top-down estimation techniques are compared. In addition, the methods and models used by the sector have been introduced. In the evaluation of data and feature selection section, data was evaluated according to the criteria of completeness and significance and combined with meteorological data. In addition, the solution of problems caused by irregular reading intervals was investigated. Finally, the accuracy of the predictions have been improved by developing estimation models using Twitter's anomaly detection library, Facebook's Prophet library and Long / Short Term Memory (LSTM) artificial neural network. In the discussion and conclusions sections, areas of development and possible research topics have been examined according to the current situation in the field of short-term load forecasting.
Benzer Tezler
- Akıllı ev sisteminde derin öğrenme tabanlı enerji tüketim tahmini
Deep learning-based energy consumption prediction in smart home system
BİRCE DAĞKURS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL ATACAK
- Türkiye elektrik enerjisi talebinin yapay sinir ağları modeli ile tahmini
Neural network model of turkey with electricity demand forecast
GİZEM ÖZAYDIN
Yüksek Lisans
Türkçe
2019
Enerjiİzmir Katip Çelebi Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BERNA TEKTAŞ SİVRİKAYA
- Recurrent neural network based approaches for electricity consumption forecasting
Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini
ALPER TOKGÖZ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Short term electrıcıty consumptıon forecastıng usıng long short-term memory cells
Uzun kisa vadeli̇ hafiza ağlari i̇le kisa vadeli̇ elektri̇k tüketi̇m tahmi̇ni̇
ANIL TÜRKÜNOĞLU
Yüksek Lisans
İngilizce
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Yapay sinir ağları ve çoklu lineer regresyon yöntemleri ile rüzgar gücü tahmini
Wind power prediction with artificial neural networks and multiple linear regression methods
EBRU KAYABAŞI
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN İZGİ