Geri Dön

Short term electricity consumption prediction with neural networks

Yapay sinir ağları ile kısa dönemli elektrik tüketimi tahminlemesi

PDF İndir

  1. Tez No: 586521
  2. Yazar: MEHMET ALİ HALAÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN AYVAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Kısa dönemli öngörü, Yapay sinir ağları, Çok değişkenli zaman serileri, Short-term forecasting, Artificial neural networks, Multivariate time series
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    595740

    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

    İngilizce

    2019

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK BARUTÇU

  2. Tez No

    706964

    Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini

    Short term solar energy prediction by using artifical neural networks

    ELA NUR ORUÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÖZTOPAL

  3. Tez No

    596538

    Türkiye enerji sektörünün stratejik konumu ve yapay sinir ağı modelleriyle enerji tüketiminin tahmini

    Turkish energy sector strategic position and neural network prediction of energy consumption models with

    HATİCE GENÇ KAVAS

    Doktora

    Türkçe

    Türkçe

    2019

    İşletmeSivas Cumhuriyet Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. HÜDAVERDİ BİRCAN

  4. Tez No

    797587

    Short-term forecast for Turkey's electricity demand DNN VS LSTM

    Türkiye'nin kısa vadeli elektrik talep tahmini DNN VS LSTM

    BERK DEDE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Mühendislik BilimleriKadir Has Üniversitesi

    Enerji ve Sürdürülebilir Kalkınma Ana Bilim Dalı

    DOÇ. DR. GÖKHAN KİRKİL

  5. Tez No

    511665

    Recurrent neural network based approaches for electricity consumption forecasting

    Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini

    ALPER TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

Geri Dön