Energy demand forecasting in fog computing based microgrids using ensemble learning
Sis bilişimi tabanlı mikro şebekelerde topluluk öğrenme ile enerji talep tahmini
- Tez No: 683247
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 111
Özet
Bilgi sistemleri ve iletişim teknolojileri, akıllı şebeke sistemlerinde müşteriler ve hizmet sağlayıcılar arasında bilgi alışverişini sağlar. Güç, alt sistemler (yani, enerji üretimi, iletimi, dağıtımı, tüketimi) aracılığıyla akarken, bilgi ise ağlar (yani, ev alan ağı, komşu alan ağı, geniş alan ağı) üzerinden akar. Günümüzde akıllı şebeke sistemleri, merkezi şebekelerden mikro şebekelere dönüşmektedir. Dağıtılmış güç üretimini ve artan gözlemlenebilirlik ve kontrol ile güç kaynağı operasyonlarını yönetmek için mikro şebeke kavramı tanıtılmıştır. Mikro şebekeler, talebe daha yakın oldukları ve yenilenebilir enerji kaynaklarını içerdiği için şebeke verimliliğini artırabilir. Ayrıca, üretilen ve tüketilen gücü kendileri yönetebildikleri için daha yüksek şebeke güvenilirliği elde edilmesine yardımcı olabilirler. Mikro şebekelerde amaç, kömür, petrol veya doğal gaz gibi geleneksel enerji kaynakları yerine rüzgar veya güneş gibi yenilenebilir enerji kaynaklarının kullanımını en üst düzeye çıkarmaktır. Mikro şebekelerde enerji temini için akıllı karar verme mekanizmalarının geliştirilmesi, enerji kaynaklarının daha etkin kullanılmasını sağlayacaktır. Bu nedenle şebeke tedarikçileri, müşterilerin enerji talebini mümkün olan en hızlı ve doğru şekilde tespit edebilmeli ve bu talebe kısa sürede cevap verebilmelidir. Bu bağlamda, kısa vadeli yük tahmini, enerji sağlayıcılarının müşteri talebini tahmin etmesine, enerji üretimini planlamasına ve elektrik kesintilerini en aza indirmesine olanak tanır. Akıllı sayaçlardan alınan güç tüketimi verileri, kamu hizmeti tedarikçilerinin mikro şebekelerde enerji talebi yönetimi araçlarını uygulamalarına yardımcı olur. Bulut bilişim, isteğe bağlı depolama, ağ oluşturma ve bilgi işlem hizmetleri sağlayarak akıllı şebekelerde bilgi işlemeyi destekleyebilir. Ancak bulut merkezli mimari, merkezi akıllı şebekelerden gelişen merkezi olmayan ve veri odaklı mikro şebekeler için bir darboğaz haline gelmiştir. Kenar bilişim ile birbirinin yerine geçerek kullanılabilen sis bilişim, kenar ağlarda cihazların ürettiği büyük verilerin işlenmesi ve saklanması yükünü azaltmak için ortaya çıkmıştır. Bu nedenle, sis bilişim, akıllı şebeke sistemlerinde akıllı enerji talebi yönetimi araçlarının dağıtımını kolaylaştırır. Sis katmanı, mikro şebeke enerji talebi bilgilerini depolayan ve enerji talebi tahminini gerçekleştiren yerel bir veri merkezi görevi görür. Sis bilişimin akıllı şebekelerde kullanımına ilişkin çalışmaların sayısı artmıştır. Bu da sis hesaplama tabanlı akıllı şebeke uygulamalarının yaygın olarak kullanılacağını göstermektedir. Önerilen sistemlerin uygulama mimarisi tasarımı ve dağıtımı, altyapı ve ağ yönetimi, kaynak yönetimi ve ölçeklenebilirlik gibi yönleri test edilmelidir. Test ortamları, maliyetleri ve dağıtım süresini en aza indirmeye yardımcı olur. Sis bilişimin akıllı şebekelerde uygulanabilirliğini ele alan çalışmaların sayısı artmış olsa da konu hala tazedir. Sis bilişimi kullanılarak geliştirilen akıllı şebeke uygulamalarının modellenmesine izin veren çerçevelerin eksikliği gözlenmektedir. Bu tezin temel amaçlarından biri olarak, akıllı şebeke uygulamalarını geliştirmeyi, test etmeyi veya değerlendirmeyi amaçlayan araştırmacı ve geliştiriciler için sis tabanlı bir çerçeve modeli tasarladık. Sis bilişim, mikro şebeke sistemlerinde dağıtılmış, gecikmeye duyarlı ve gizliliği koruyan enerji talebi uygulamaları oluşturmak için uygun bir paradigmadır. Çerçevemizde, bu dağıtılmış yerel şebekeler, yani mikro şebekeler, sis düğümlerini, akıllı sayaçlar gibi Nesnelerin İnterneti (IoT) cihazlarından veri toplayan ve enerji talebi tahmin uygulamasını yürüten bilgi yönetim merkezleri olarak kullanır. Bu nedenle, mikro şebeke mimarisi için kenar, sis ve bulut katmanlarından oluşan 3 katmanlı bir modelleme çerçevesi sunduk. Kenar katmanında, kenar istemcilerini kullanarak akıllı sayaçlar ve hava istasyonları gibi bir mahalledeki veri üreten varlıkların işlevlerini simüle ettik. Sis katmanında, bir sis kümesi aracılığıyla yerel bir bilgi yönetim merkezi modelledik. Sis kümesinin kurulumunda sis düğümü görevi gören 3 adet Raspberry Pi cihazı kullandık. Ayrıca, kaynak açısından verimli Docker konteynır teknolojisini kullanan bir uygulama dağıtım modeli önerdik. Bu tezde, destek vektör regresyonu (SVR) ve uzun-kısa süreli bellek (LSTM) kullanarak kısa süreli yük tahmini için bir topluluk öğrenme yaklaşımı da önerdik. Önerilen topluluk öğrenme yaklaşımının uygulamasını dağıtmak için sis tabanlı çerçeveyi kullandık. İlk olarak, veri yönetimi, eğitim ve çıkarım servisi gibi belirli sorumlulukları olan mikro servisleri tasarladık ve uyguladık. Bu servisler, topluluk öğrenme ardışık düzenini yürütmek için uygulama programlama arabirimleri (API'ler) aracılığıyla çağrılabilir. Enerji talebi tahmin modelini oluşturmak için halka açık REFIT elektrik yükü veri setini kullandık. Veri seti, Loughborough, İngiltere'deki 20 evden alınan güç ölçümlerinin yanı sıra hava sıcaklığı ölçümlerini içerir. Model eğitiminde yük, sıcaklık ve zamansal (yani ay, haftanın günü ve saat) özniteliklerini kullandık. Eğitilmiş modellerin performanslarını tarafsız test seti üzerinde karşılaştırdık. Değerlendirme ölçütleri olarak ortalama mutlak yüzde hatası (MAPE), ortalama karesel hata (RMSE) ve ortalama mutlak hata (MAE) kullandık. Önerilen topluluk modeli, 132,5 Wh RMSE, % 19,9 MAPE ve 103,5 Wh MAE ile alt modeller arasında en doğru sonuçları verdi. Sis düğümlerinin buluta kıyasla zamanlama performansını değerlendirmek için topluluk modeli eğitiminin ağ gecikmesini ve yürütme süresini inceledik. Gecikmeyi, verilerin ana sis düğümünden çalışan düğümlere veya bulut düğümüne iş istekleri içinde yayıldığı her iki senaryo için İletim Kontrol Protokolü'nü (TCP) kullanarak ölçtük. Sonuç olarak, bir yerel alan ağında bulunan ana ve çalışan sis düğümleri arasındaki ortalama gecikme daha düşüktür. Ana sis düğümü ile bulut düğümü arasındaki ortalama gecikme, çok sekmeli iletişim nedeniyle daha yüksektir. Ayrıca sis ve bulut katmanları için yürütme süresi de değerlendirildi. Sis düğümlerinde aynı anda Docker konteynırlarında birden fazla SVR ve LSTM modelini eğittik. İlk senaryoda, eğitim hizmetini aynı sayıda replika ile çalıştırarak yalnızca sis düğümlerinin (yani bir ana sis düğümü, bir ana sis düğümü ve bir çalışan sis düğümü veya tüm sis düğümleri) sayısını değiştirdik. Sonuç olarak, konteynırları daha fazla sis düğümüne yaydığımızda yürütme süresi kısaldı. İkinci senaryoda, sis düğümlerinin sayısını sabit tutarak, sadece servis yapılandırmasını daha fazla sayıda replika tanımlayacak şekilde güncelledik. Bu durum, azalan bir yürütme süresi sağladı. Beklendiği gibi, bulut düğümünde eğitim, daha güçlü işlemciler nedeniyle en iyi yürütme süresini sağladı. Sonuç olarak, sis çerçevesinin önerilen topluluk modeli gibi karmaşık modellerin yürütülmesi için umut verici olduğunu ve dağıtık ve uygun maliyetli kaynaklarıyla buluta yaklaşan yürütme sürelerinin elde edilmesine yardımcı olabileceğini gözlemledik.
Özet (Çeviri)
The information systems and communication technologies enable the information exchange between customers and utility providers in smart grid systems. The power flows through the subsystems (i.e., power generation, transmission, distribution, consumption), and the information flows through the networks (i.e., home area network, neighborhood area network, wide area network). Nowadays, smart grid systems have been evolving from centralized grids into microgrids. The concept of microgrid has been introduced to manage the distributed power generation, and power supply operations with increased observability and control. Microgrids can improve grid efficiency since they are closer to the demand and incorporate renewable energy resources. Moreover, they can achieve better grid reliability as they can manage the generated and consumed power themselves. In microgrids, the goal is to maximize the use of renewable energy sources, e.g., wind or solar, instead of conventional energy resources, e.g., coal, oil, or natural gas. The development of intelligent decision-making mechanisms for energy supply in microgrids will enable more effective usage of energy resources. For this reason, utility suppliers should be able to identify the energy demand of customers as quickly and accurately as possible and respond to this demand in a short time. In this context, short-term load forecasting enables energy providers to anticipate customer demand, plan the energy generation, and minimize power outages. The power consumption data received from smart meters help utility suppliers implement energy demand management tools in microgrids. Cloud computing can support information processing in smart grids by providing on-demand storage, networking, and computing services. However, the cloud-centric architecture has become a bottleneck for the decentralized and data-driven microgrids evolving from centralized smart grids. Fog computing, which is used interchangeably with edge computing, has emerged to reduce the burden of processing and storing big data produced by devices in edge networks. Therefore, fog computing facilitates the deployment of intelligent energy demand management tools in smart grid systems. The fog layer acts as a local data center storing the microgrid energy demand information and taking care of energy demand forecasting. The number of studies regarding the use of fog computing in smart grids has increased. This indicates that fog computing-based smart grid applications will be employed widely. The aspects of proposed systems should be tested, such as application architecture design and deployment, infrastructure and network management, resource management, and scalability. Test environments help to minimize the costs and deployment time. Although the number of studies addressing the applicability of fog computing in smart grids has increased, the subject is still fresh. There is also a lack of frameworks that allow modeling smart grid applications developed using fog computing. As one of the main purposes of this thesis, we designed a fog-based modeling framework for researchers and developers who aim to develop, test, or evaluate smart grid applications. Fog computing is an appropriate paradigm to build distributed, latency-aware, and privacy-preserving energy demand applications in microgrid systems. In our framework, these distributed local grids, i.e., microgrids, utilize the fog nodes as information management centers that collect data from Internet of Things (IoT) devices such as smart meters and execute the energy demand forecasting application. Therefore, we introduced a 3-tier modeling framework comprising edge, fog, and cloud layers for microgrid architecture. In the edge layer, we simulated the functions of data generating entities in a neighborhood such as smart meters and weather stations using edge clients. In the fog layer, we modeled a local information management center through a fog cluster. We used 3 Raspberry Pi devices acting as fog nodes in the setup of the fog cluster. We also proposed an application deployment model using resource-efficient Docker container technology. In this thesis, we also proposed an ensemble learning approach for short-term load forecasting using support vector regression (SVR) and long-short term memory (LSTM). We used the fog-based framework to deploy the application of the proposed ensemble learning approach. Firstly, we designed and implemented the microservices with particular responsibilities, namely data management, training, and inference service. These services are callable through application programming interfaces (APIs) to execute the ensemble learning pipeline. We utilized the publicly available REFIT electrical load dataset to build the energy demand forecasting model. The dataset includes power measurements from 20 homes in Loughborough, UK, as well as air temperature measurements. We used the load, temperature, and temporal (i.e., month, day of the week, and hour) features in model training. We compared the performances of the trained models on the unbiased test set. We used mean absolute percentage error (MAPE), root mean squared error (RMSE), and mean absolute error (MAE) as the evaluation metrics. The proposed ensemble model gave the most accurate results among the sub models, with RMSE of 132.5 Wh, MAPE of 19.9 %, and MAE of 103.5 Wh. To evaluate the timing performance of the fog nodes compared to the cloud, we studied the network latency and execution time of the ensemble model training. We measured the latency using Transmission Control Protocol (TCP) for both scenarios, where the data is propagated within the job requests from the master fog node to worker nodes or the cloud node. As a result, the average latency was lower between the master and worker fog nodes located in a Local Area Network (LAN). The average latency between the master fog node and the cloud node is higher due to multi-hop communication. The execution time in fog and cloud layers was also evaluated. We trained multiple SVR and LSTM models in Docker containers concurrently in the fog nodes. In the first scenario, we ran the training service with the same number of replicas, only changing the number of fog nodes (i.e., one master fog node, one master fog node and one worker fog node, or all fog nodes). As a result, when we further spread the containers into more fog nodes, the execution time decreased. In the second scenario, we just updated the training service configuration to define more replicas, keeping the number of fog nodes constant. It provided a reduced execution time. As expected, training in the cloud node yielded the best execution time because of more powerful processors. In conclusion, we observed that the fog framework is promising for the execution of complex models such as the proposed ensemble model. Furthermore, it can help achieve execution times approaching the cloud with its distributed and cost-effective resources.
Benzer Tezler
- Bir gıda işletmesinde enerji talep tahmini
Energy demand forecasting in a food processing industry
SARA UYGUR
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLI AKSOY
- Yapay sinir ağları ile Türkiye elektrik enerjisi talep tahmini ve diğer yöntemlerle karşılaştırmalı analizi
Turkey electric energy demand forecasting with artificial neural networks and comparative analysis with other methods
SEVİM AKGÜL
- Düzce ili doğalgaz talep tahmini
Duzce province natural gas energy demand forecast
NURGÜL AYKAŞ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İREM DÜZDAR ARGUN
- 2030 yılında Türkiye'de yeşil enerji kullanım oranlarının tahmin edilmesi
Forecasting of Turkey's green energy consumption by 2030
BURCU GÖKAY
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. DOĞAN ÖZGEN
- Enerji dağıtım tahmini: 2020-2029 dönemi Akdeniz Bölgesi örneği
Forecasting energy distribution: The case of Mediterranean Region for 2020-2029 period
GİZEM VAROL
Yüksek Lisans
Türkçe
2019
EkonometriSüleyman Demirel ÜniversitesiEkonometri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİYE ATAY