Electricity consumption forecasting of turkey usingrecurrent neural networks
Tekrarlayan sınır ağlarıyla Türkiyenin elektriktüketim tahmini
- Tez No: 647439
- Danışmanlar: DR. ÖĞR. ÜYESİ SEFER BADAY
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Bilgi ve Haberleşme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Enerji; insanlığın gelişimi için en önemli kaynaklardan biridir. Ülkelerin ekonomisi ve gücü doğrudan enerji kaynağına ne kadar erişebildiklerine bağlıdır. Enerjinin farklı türlerinin arasında elektrik enerjisi daha da önemlidir; çünkü elektrik enerjisi farklı enerjilere dönüştürülebilecek bir enerji türü olduğundan ötürü diğer enerji türlerine göre daha ön plana çıktığını söyleyebiliriz. Ayrıca elektrik enerjisi yüksek miktarlarda depolanabilecek veya tekrar kullanılabilecek özelliğe sahip değildir. Bu yüzden doğru miktarda elektrik üretimi oldukça önemsenmesi ve dikkat edilmesi gereken bir faktördür. Günümüzde elektrik piyasaları ve sağlayıcıları doğru zamanda, doğru miktarda elektrik üretebilmek için sürekli teknolojilerini geliştirmeye yönelik çalışmakta ve büyük miktarda yatırımlar yapmaktadırlar. Türkiye'de 2000'li yıllardan sonra elektrik piyasalarının özelleştirme sürecine başlandı ve ülke bazlı talep tahmini özel piyasa üyelerinin olmazsa olmaz ihtiyacına dönüştüğünü söyleyebiliriz. Tüm bu süreçten sonra serbestleştirilmiş enerji piyasalarında mevcut bulunan şirketler ve piyasa aktörleri rekabet piyasalarına dahil olabilmek adına verimli, güvenilir ve istikrarlı bir biçimde enerji yük tahminine sahip olmak zorundadırlar. Bu alanda var olan veyahut var olmayı hedefleyen tüm şirketler, gelecekteki enerji fiyatlarını, maliyet ve diğer sair giderlerin tamamını tahmin edebilmek için rekabet eder ve en etkili piyasa modellerine sahip olabilmeyi hedeflemekte ve bu anlamda sürekli geliştirmeler ve güncellemeler yapmaktadırlar. Bahsi geçen özelleştirme sürecinden sonra ortaya çıkan Türkiye enerji piyasası da böylelikle günümüzdeki bu konuda farklı değildir. Ülke çapında bir enerji tahmin modeline sahip olmak, sistem operatörü dahil olmak üzere piyasada olan tüm katılımcılar için zaruridir. Elektriğe olan talep, ekonomik büyüme, sınai emek, günün saatleri, haftanın günleri, hafta sonları, ay, mevsim, tatiller ve hava koşulları gibi birçok faktöre bağlıdır. Enerji piyasalarının özelleştirilmesi, her piyasa katılımcısının diğer rakipleri üzerinde bir çeşit avantaj sağlamak ve rakiplerinden daha ön plana çıkabilmek adına daha iyi veri analizi ve daha iyi tahmin modelleri için çaba göstermek zorunda olduğu rekabetçi pazarlara neden olmuştur. Enerji talebi tahmini piyasa katılımcıları için çözüme gidebilecek en önemli faktörlerin başında gelmektedir. Doğru enerji talebi tahmini piyasa katılımcıları için hem ekonomik fayda sağlamakta hem de sistem operatörü için de sistem güvenliğini sağlayabilmek ve doğru değerlendirebilmek için önemli bir araçtır. Enerji talebi tahmin modelleri üzerine yapılan çalışmalar piyasa katılımcıları ile kalmamakta ve akademi alanının da oldukça ilgisini çekmektedir. Yük tahmin modellerinde çeşitli faktörler ve özellikler göz önünde bulundurulmalıdır. Bunlar iklim, demografik ve kültürün ve kültürün etkilerini yansıtmalıdır. Bu çalışmada ülkemizdeki önemli şehirlerin sıcaklık verileri, tatil günleri ve dini ve milli bayramlar göz önünde bulundurulmaktadır. Türkiye'de aynı dönemde farklı iklim koşulları görünebilmekte, coğrafi olarak büyük bir ülkedir. Bu sebeple bu çalışmada sunulan modelin girdi parametreleri olarak, Türkiye'nin farklı bölgelerindeki 8 ilin tarihsel sıcaklık verileri seçilmiştir. Coğrafi ve ekonomik önemi nedeniyle İstanbul, Ankara, İzmir, Bursa, Konya, Adana, Antalya ve Şanlıurfa illerinde geçmiş yıllarda gözlenen sıcaklık verileri kullanılmıştır. Belirli bir veri setindeki kalıpları aramak, uzun zamandır insanoğlunun arayışı olmuştur. Tarih boyunca insanlar çoğunlukla bu kalıpları bulmakta başarılı olmuşlardır. 20. yüzyılın ikinci yarısından itibaren insanlar, daha büyük veri setlerini daha yüksek doğrulukla işleyebilecek bilgisayarları, modelleri patern tanıma çabalarında kullanmaya başladılar. İlk makinelerden bazıları ön işlemci teknolojisine dayanıyordu. Ancak, bilgisayar programlarını geliştirirken hala yapılacak çok iş vardı. 1960'larda inşa edilmiş birçok yapay sinir ağı vardı ve bunlar genellikle 'kara kutu' olarak adlandırılıyordu. Yapay sinir ağları (YSA), geçtiğimiz on yılda makine öğrenmesi alanında kullanılan en popüler araç haline gelmiştir. Adına uygun olarak, yapay sinir ağı kavramı, insanın bilişsel sürecini taklit etmek için insanın sinir hücrelerinden ilham almıştır. Yapay sinir ağları, bu yapay nöronların birbirine bağlanmasıyla oluşur ve bu nöronların hesaplama gücü aslında ağ olarak modellendiğinde ortaya çıkar. YSA'lar, insan beyninin anlayamayacağı kadar karmaşık veya veri yoğun olan patern tanıma görevlerinde uzmanlaşmıştır. Yapay sinir ağları, son on yılda makine öğrenmesi alanında kullanılan en popüler araç haline gelmiştir. Adına uygun olarak, yapay sinir ağı kavramı, insanın bilişsel sürecini taklit etmek için insanın sinir hücrelerinden esinlenmiştir. Ağ genellikle aralarında gizli bir katman bulunan girdi ve çıktı katmanlarından oluşur ve farklı girdilerin son çıktı üzerindeki etkisi ağırlıktadır. YSA'lar, insan beyninin anlayamayacağı kadar karmaşık veya veri yoğun olan örüntü tanıma görevlerinde uzmanlaşmıştır. Bu tez çalışmasında, tüketim verileri Epiaş şefaflık platformunda gerçekleşen tüketim olarak geçmişe yöneli 6 seneye kadar alınmıştır. Türkiyenin en kalabalık ve büyük illerin sıcaklık verileri özellikler olarak kullanılmış ve tahmine etkilrei incelenecektir. Ayrıca peak saatler özelliği ki üçzamanlı saat dilimini ifade eder ise kullanılacak. Bunların yanısıra tüketim verisinden çıkarılmış özellikler, saat, ay , yıl geçmiş günün statikleri geçmiş haftanın statikleri ise bağımsız özellikler olarak modellere dahil edilecek ve sonuçta yaratan etkileri incelenecektir. Elektrik tüketimi bir zaman serisidir ve zaman serisi tahminleme metodlarından, RNN'ler en popüler ve en başarılı metodlar olarak dünya çapında kullanılmaktadırlar. RNN geçmiş verileri bir dizin olarak hafızasında tutup sıradaki veriyi tahmin edecek bir metoddur. RNN'lerdeki Kaybolan Gradian Problemi LSTM ve GRU modellerini kullanarak çözülmüştür. Modelleme Keras, Tensorflow ve Sklearn kütüphanelerini kullanarak, python platformunda uygulanmıştır. Farklı deneyimlere göre, en uygun parametreler seçilmiştir. RNN'lerdeki Kaybolan Gradian Problemi LSTM ve GRU modellerini kullanarak çözülmüştür. Modelleme Keras, Tensorflow ve Sklearn kütüphanelerini kullanarak, python platformunda uygulanmıştır. Farklı deneyimlere göre, en uygun parametreler seçilmiştir. Modelin dikkatini ölçebilmek için MAE, rMAE, RMSE, rRMSE ve MAPE hata ölçekleri kullanılmıştır ve denemelerın sonunda, en başarılı LSTM ve GRU modelleri karşılaştırılacaktır ve en başarılı olan seçilecktirç, sonuçlar modellerin dikkatını daha iyi ölçmek amacıyla devletin sundu tahmin ile karşılaştırılacaktırç. Bu tahmin verileri Epiaş şefaflik tüketim tahmin verisi olarak her gün bir sonraki gün için açıklanmaktadır.
Özet (Çeviri)
Energy is one of the most significant resources for the advancement of the humanity. Countries' economies and then power depend on their energy resources. Among many kinds of energy, electricity is the most important power that can be converted into different forms of energy. However, it can not be stored to be used in the future, it should be produced in the right amount. This nature of electricity leads operators to start predicting the demand and improve it day by day. Load prediction is an important factor in their bidding policies. In turkey, after 2000, privatization took place in the power market. And it was an essential need for market members to have a countrywide prediction model. Having a countrywide load forecast model is essential for all market participants including the TEIAS. Turkey is a large country with different climate conditions during the same period. In this thesis paper, historical load data is fetched from the EPIAS Seffaflik platform for the past 6 years. The effect of temperature data of the most populated and big cities of Turkey is presented in hourly slices. These cities are Istanbul, Ankara, Bursa, Izmir, Antalya, Sanliurfa, Konya and Adana. Peak hours are used as an another input parameter which define three time slices that electricty consumptions have a similar behavior at them and power utilities apply different pricing systems for different zones of time which demand is the highest or the lowest. The effect of peak hours will be discussed . Besides these features, some other features like year, month, hour, the same hour in past day, the same time in past week, yesterday statistics like minimum, average and maximum consumption are derived from the historical data and effect of them on forecasting accuracy will be presented as well. According to the nature of time series forecasting, RNNs are the most widely used and successful methods. They have sequential behavior and can keep past sequences of data and use them to predict the next value. The common problem of simple RNNs is the vanishing gradient that is solved in long-short term memory and gradient recurrent unit models that are called as LSTM and GRU. The models are implemented in python platform via Keras, Sklearn and Tensorflow libraries. In proposed models, the best match for input, hidden and output layers are selected from several experiments. linear activation and Adam optimizer functions are chosen to use because of their better impacts on the result. Drop out and early stopping are also used to avoid the training set from over-fitting and keep the performance of the models in highest accuracy level. MAE, rMAE, RMSE, rRMSE and MAPE measurements are used to calculate the accuracy of the model and the impacts of different parameters. The result of the best models of LSTM and GRU will be compared and the model with the lowest error rate is selected as the final model and is compared with the government's prediction result that is published every day for the next following day in EPIAS Seffaflik platform.
Benzer Tezler
- Elektrik tüketim tahmini için bir karar destek sistemi
A decision support system for electricity consumption forecasting
MERVE ALTINÖZEN KARABULUT
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HADİ GÖKÇEN
- Elektrik enerjisi piyasaları ve çimento sektöründe elektrik enerjisi tüketim tahmininin önemi
Electricity markets and the importance of electricity consumption forecasting in cement sector
EZGİ KAYAHAN
Yüksek Lisans
Türkçe
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. SERMİN ONAYGİL
- Forecasting of Turkey's total electricity consumption in sectoral bases using machine learning algorithms
Makine öğrenimi algoritmaları kullanılarak sektörel bazda Türkiye'nin toplam elektrik tüketiminin tahmini
MHD KHAIR HAJJAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Kültür ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLAYDA ÜLKÜ
- 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
- Bazı veri madenciliği yöntemleri ile elektrik tüketim tahmini
Electricity consumption forecasting with some data mining methods
MUSTAFA YILDIRIM
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiHarran ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SABRİ ÖĞÜTLÜ