Dağıtım şebekesinde kısa dönem yük tahmini

Short-term load forecasting in distribution network

PDF İndir

Tez No: 630694
Yazar: MERT SAÇLI
Danışmanlar: PROF. DR. BELGİN EMRE TÜRKAY
Tez Türü: Yüksek Lisans
Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2020
Dil: Türkçe
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Fen Bilimleri Enstitüsü
Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
Sayfa Sayısı: 109

Özet

Günümüzde enerji ihtiyacı teknolojik gelişmeler ile birlikte sürekli olarak artmaktadır. Artan enerji ihtiyacının güvenilir, ekonomik, kaliteli ve sürdürülebilir bir şekilde sağlanabilmesi konusu gün geçtikçe önem kazanmaktadır. Enerjinin ekonomik, kaliteli ve sürdürülebilir bir şekilde sağlanabilmesi enerji sistem planlamasının optimizasyonu ve başarısı ile doğrudan ilişkilidir. Yük tahmini enerji sistem planlamasının ilk ve en önemli aşamalarından biridir. Elektrik yük tahmini geçmiş ve bugünkü elektrik yüklerini analiz ederek, yük tahminine etki eden faktörlerin belirlenmesi ve bunların analizi sonucunda farklı yöntemler, algoritmalar kullanılarak gelecekte olabilecek yükü belirlemek olarak tanımlanabilir. Yük tahmini farklı amaçlar doğrultusunda zaman kıstasına göre çok kısa dönem, kısa dönem, orta dönem ve uzun dönem olarak sınıflandırılmaktadır. Bir yıldan uzun yük tahminleri uzun dönem, bir haftadan bir yıla kadar olan yük tahminleri orta dönem, bir saatten bir haftaya kadar olan zamanları kapsayan tahminler kısa dönem ve bir saatten daha kısa yük tahminleri çok kısa dönem yük tahmini olarak sınıflandırılmaktadır. Elektrik yük tahmini yapmak için kullanılan giriş parametreleri değişkenlik göstermektedir. Uzun dönem yük tahmininde gayrisafi milli hasıla, nüfus gibi parametreler ağırlıklı olarak kullanılırken kısa dönem yük tahminlerinde meteorolojik veriler ağırlıklı olarak kullanılmaktadır. Elektrik tüketimi gün içerisinde saatlik bazda değişkenlik göstermektedir. Gün içerisinde değişen tüketim miktarını, devreye girecek ve devreden çıkacak enerji santrallerini belirlemek kısa dönem yük tahmini ile başlar. Kısa dönem yük tahmininin bir başka fonksiyonu ise enerjinin ekonomik olmasını sağlamaktır. Gün geçtikçe artan enerji ihtiyacını karşılamak ve enerjinin sürdürülebilirliğini sağlamak yük tahmini ile başlar. Bu sebeple yük tahmini uygulamaları gün geçtikçe önem kazanmaktadır. Literatürde, yük tahmini için şu ana kadar kullanılan birçok farklı algoritma ve metodoloji bulunmaktadır. Bu çalışmada literatürde kullanılan analitik yöntemler ve yapay zekâ yöntemleriyle Marmara bölgesinde bulunan bir ile ait 2016-2017 yılları arası veriler kullanılarak saatlik kısa dönem yük tahmini yapılmıştır. Çalışmada kullanılan modeller de temel olarak hafta günleri 3 farklı yöntem kullanılarak ayrılmıştır. Tahmin çalışmalarında kullanılan bağımsız değişken ve bağımlı değişkenler arasında pozitif ve/veya negatif ilişki ne kadar yüksekse model o kadar yüksek tahmin sonuçları vermiştir. Bu sebeple literatürde bazı çalışmalar hafta günleri arasında herhangi bir ayrım yapmadan, bazı çalışmalar hafta içi ve hafta sonu olarak ayrım yapıp iki farklı eğitim ve test verisi kullanılarak, bazı modeller ise hafta içi ve hafta sonu modellerini ayrı eğitim ve test verisi olarak kullanmamak için giriş parametrelerine hafta içi ve hafta sonu ayrımı yapmak için kukla değişken olarak isimlendirilen bağımsız değişken kullanılarak tahmin işlemi gerçekleştirilmiştir. Bu çalışmada gün ayrımlarının tahmin sonucuna etkisini gözlemlemek amacıyla 3 farklı gün ayrımı kullanılmıştır, kullanılan gün ayrımları hafta içi ve hafta sonu için günxx ayrımı yapılmadan, gün ayrımı yapılarak ve hafta içi ve hafta sonu için kukla değişken kullanılarak yapılan tahmin olarak en genel haliyle ifade edilebilir. Bu çalışmada gün modelleri 5 farklı bağımsız değişken seti kullanılarak tahmin işlemi gerçekleştirilmiştir. Kullanılan bütün metodolojilerde kullanılan yük, sıcaklık veri seti gibi veriler aynı veri seti kullanılarak yapılmıştır. Kullanılan farklı metodolojilerin amacı gün ayrımı yapılmasının ve yapılan ayrımda kullanılan giriş parametrelerinin kullanılan yöntemlerle birlikte tahmin doğruluğunun üzerindeki etkisini araştırmaktır. Veri setinde görülebileceği üzere yük ve meteorolojik veriler mevsimsellik gösterdiği için mevsim parametresi kış, ilkbahar, yaz ve sonbahar sırasıyla (0, 1, 2, 3) dönüştürülerek tüm modeller için bağımsız değişken olarak kullanılmıştır. Bu çalışmada kısa dönem yük tahmini saatlik veya bir diğer ifadeyle bir saat arayla yapıldığı için kullanılan algoritmaların veri seti saatlik olarak tüm modellere tanıtılmıştır. Modellerde kullanılan meteorolojik verilerden nem ve sıcaklık verileri 1 saat önceki nem ve sıcaklık verileridir. Tahmin yöntemleri olarak ARIMA (Otoregregresif bütünleşik hareketli ortalama), destek vektör makineleri, destek vektör regresyonu, KNN (En yakın K Komşu) ve karar ağacı regresyonu algoritmaları kullanılmıştır. Tüm metodolojiler için giriş parametresi olarak bir önceki yük, sıcaklık, nem, mevsim ve saat verisi kullanılmıştır. Çıkışta ise yük tahmin edilmiştir. Verilerin %75'i eğitim, %25'i test için kullanılmıştır. Kullanılan algoritmaların sonucu birbirine ve literatüre yakın çıkmıştır. En iyi tahmin sonucu olarak MAPE (mean absolute percentage error) değeri DVR algoritmasında %3,57 bulunmuştur. Tezin ilk kısmında literatür çalışmaları incelenmiş, karşılaştırılmış ve tezin yazılma amacı ortaya konmuştur. İkinci kısmında yük tahmini hakkında sınıflandırılmalar, yük tahminine etki eden faktörler, yük tahmininde kullanılan analitik ve yapay zekâ yöntemleri incelenmiştir. Tezin üçüncü kısmında bu çalışmada yapılan yük tahmini uygulaması, modeller ve kullanılan algoritmalar ortaya konmuştur. Tezin dördüncü aşamasında kurulan modeller ve algoritmalar ile sonuçlar karşılaştırılmıştır. Tezin beşinci kısmında sonuçlar detaylı olarak anlatılmış ve çıkarımlar paylaşılmıştır. Tezin Ek-A bölümünde ise model çıktıları grafiksel olarak kıyaslanmıştır.

Özet (Çeviri)

Load estimation or with other words load forecasting is one of the first and most important stages of energy system planning. Electricity load forecasting can be defined as analyzing the electrical consumptions of the past and present, determining the factors affecting the load estimation, and analyzing them, using different methods and algorithms to determine the future load. The ultimate goal of load forecasting is to supply economic, reliable, and quality energy to the consumer. For this reason, electricity load forecasting at production, transmission, and distribution levels was made by dividing them into different periods. Load forecasting is classified as very short-term, short-term, mid-term, and long-term according to time criteria for different purposes. Load forecasts longer than one year are classified as long-term, load forecasts from one week to one year are medium-term, forecasts covering one hour to one week are short-term, and forecasts of less than an hour are classified as very short-term load estimates. The input parameters used to make electrical load estimates vary. In the long-term load forecasting, parameters such as gross national product and population are predominantly used, while meteorological data are used predominantly in the short-term load forecasting. Electricity consumption varies on an hourly basis during the day. Determining the amount of consumption that changes during the day, the power plants that will come in and out starts with the short-term load forecast. Another function of short-term load forecasting is to make energy economical. To provide the increasing energy needs day by day and to ensure the sustainability of the energy starts with the load forecasting. For this reason, load forecasting applications are gaining importance day by day. The main reasons for the load estimation to be divided into different time zones are that the factors affecting different time electricity consumption vary and the methodologies used vary. For this reason, it is necessary to examine the electrical load estimation in terms of time and factors affecting the load estimation. Load estimation is classified as very short-term, short-term, mid-term, and long-term according to time criteria for different purposes. Electricity consumption varies on an hourly basis during the day. To determine the amount of consumption changing during the day, the power plants to be activated and to be deactivated starts with the short-term load estimation. Another function of short-term load estimation is to make energy economical. To supply the increasing energy consumption and ensure the sustainability of energy starts with load estimation. For this reason, load estimation practices are gaining importance day by day. In the first part of the thesis, literature studies are examined and compared and the purpose of writing the thesis is explained. In the second part, the classification of load estimation, factors affecting load estimation, analytical, and artificial intelligence methods used in load estimation are examined. In the third part of the thesis, the load estimation application, models, and algorithms used in this study are presented. The models and algorithms results, which were established in the fourth stage of the thesis, were compared. In the fifth part of the thesis, the results are explained in detail and the inferences are shared. In Appendix-A of the thesis, the model outputs are compared graphically. In the literature, there are many different algorithms and methodologies used so far for load forecasting. In this study, hourly short-term load forecasting was made by using data from 2016-2017 of a district in the Marmara region with the analytical methods and artificial intelligence methods used in the literature. The models used in the study were separated using 3 different methods on weekdays. As mentioned in the previous sections, the higher the positive and / or negative relationship between the independent variable and dependent variables, the higher the predictive results. For this reason, some studies in the literature do not distinguish between the weekdays, some studies distinguish between weekdays and weekends and use two different training and test data, while some models do not use the weekday and weekend models as separate training and test data. To classify between weekdays and weekends, forecasting was performed using an independent variable called a dummy variable. In this study, 3 different day separations have been used, the day separations used can be expressed in the most general form as the prediction made by making the day separation for weekdays and weekends, by making the day separations and using the dummy variable for weekdays and weekends. In this study, forecasting is performed by using day models with 5 different sets of independent variables. Data such as load, temperature data set used in all methodologies used were made using the same data set. The purpose of the different methodologies used is to investigate the effect of day discrimination and the input parameters used in the discrimination on the prediction accuracy together with the methods used. As can be seen in the data set, since the load and meteorological data show seasonality, the season parameter is converted to winter, spring, summer, and autumn respectively (0, 1, 2, 3) and used as an independent variable for all models. In this study, the data set of the algorithms used were introduced to all models on an hourly basis, since the short-term load forecasting was made hourly or in other words, one hour apart. Humidity and temperature data from the meteorological data used in the models are humidity and temperature data 1 hour before. ARIMA (autoregressive integrated moving average), Support Vector Machines, Support Vector Regression, KNN (K Nearest Neighbour), and decision tree were used as forecasting methods. Previous load, temperature, humidity, season, and hour data were used as input parameters for all methodologies. The load was estimated at the exit. 75% of the data was used for education and 25% for testing. The results of the algorithms used are close to each other and the literature. As a result of the best forecasting, MAPE (mean absolute percentage error) value was found 3.57% in the SVR algorithm. There are some results about output of comparing forecasting datas. The model, which was created by using the load one hour earlier, gave high accuracy results compared to the model that was created by using the previous day. Consumption load one hour earlier affects the next load more. The models in which the previous load and the previous load were used together gave higher accuracy than the models used separately. In this study, it is not sufficient to use only one hour before a load or 24 hours before loading in the region to be predicted for a high accuracy rate. Using moisture value from meteorological data negatively affected the accuracy of the forecast. For this reason, the characteristics of the region should be well known and determined in this way regarding the selection of meteorological data. The prediction accuracy is the highest Model-5. Model-5 is the algorithm that is predicted using the load only one hour before and one day before, without meteorological data, without any discrimination. Models created using meteorological data have higher MAPE value, in other words, the accuracy rate is lower. Meteorological data is a parameter that negatively affects the accuracy of the forecast for the region used in the study. The model created using only the previous load parameters is the model with the highest accuracy rate. In this study, which was carried out using a 2-year data set, using two different test and training data on weekdays and weekends increased the accuracy rate for some models and decreased the accuracy of the prediction for some models. Day separation using dummy variable When compared to the day separation using 2 different training and test data, it increased the accuracy rate for some models and decreased the accuracy rate for some models. The exact effect of the day separation was not observed in all models. For this reason, according to the characteristics of the region to be estimated and the algorithm to be used in the prediction, weekdays should be distinguished. Model-15 is the model with the highest accuracy rate after Model-5. Making the day separation using the dummy variable gave more accurate results for the prediction model without using meteorological data. The ARIMA model, which was established by making weekday and weekend split, gave more slightly accurate results than the model established without the day distinction. ARIMA model has given higher accuracy results than artificial intelligence algorithms in many models. According to the data set to be used from here, it can be concluded that time series analysis methods are superior in some models and algorithms. Among the artificial intelligence models, it gave the highest accuracy support vector regression model. The second highest accuracy artificial intelligence algorithm was the decision tree regression algorithm. The accuracy of the nearest neighbor and support vector machines algorithm varies according to the established models. The accuracy rate of the models using regression is higher. For this reason, whether regression should be used in the classification made according to the region to be estimated should be determined according to the characteristics of the region. The parameters affecting the load to be estimated should be decided according to the characteristic of the load. The forecasting method is important in terms of prediction accuracy. For this reason, the forecasting method can be decided as a result of the trend analysis of the load to be estimated.

Benzer Tezler

Tez No
709869
Elektrik dağıtım sistemlerinde birey odaklı konfor öncelikli talep yönetimi için akıllı yöntem geliştirilmesi
Developing an intelligent method for the user oriented comfort based demand response studies in the electricity distribution systems
MEHMET ALİ SÖNMEZ
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliği İstanbul Teknik Üniversitesi
Elektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
Tez No
637477
Flexible load management in active distribution system
Esnek dağıtım sistemlerinde yük yönetimi
SHAHRAM PARCHEHBAF DIBAZARI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliği İstanbul Teknik Üniversitesi
Elektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
Tez No
605490
Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini
Forecasting short-term grid electricity load in homes that were connected to the smart grid by a novel method: recurrent linear regression
HAZRET TEKİN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliği Batman Üniversitesi
Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK ERTUĞRUL
Tez No
740983
Elektrikli araçların şehir şebekesine entegrasyonu: Mardin örneği
Integration of electric vehicles to the city network: The case of Mardin
RIDVAN KAYA
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliği Batman Üniversitesi
Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DAVUT SEVİM
Tez No
166631
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 Mühendisliği İstanbul Teknik Üniversitesi
Elektrik Mühendisliği Ana Bilim Dalı
DOÇ.DR. CANBOLAT UÇAK

Geri Dön