Short term system load forecasting using fuzzy neural networks
Bulanık sinirsel ağlar kullanarak kısa dönem sistem yükü tahmini
- Tez No: 68573
- Danışmanlar: DOÇ. DR. İSMET ERKMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Kısa Dönem Yük Tahmini, Yapay Sinirsel Ağlar, Bulanık Mantık. vı, Short Term Load Forecasting, Artificial Neural Networks, Fuzzy Logic. IV
- Yıl: 1997
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
öz BULANIK SİNİRSEL AĞLAR KULLANARAK KISA DÖNEM SİSTEM YÜKÜ TAHMİNİ Tan, Ercan Yüksek Lisans, Elektrik Elektronik Mühendisliği Bölümü Tez Yöneticisi: Doç. Dr. İsmet Erkmen Aralık 1997, 124 sayfa Bu çalışmada, kısa dönem güç sistemi yükünü tahmin etmek için bulanık sinirsel ağ kullanılarak yeni bir melez akıllı sistem geliştirilmiştir. Sistem, bulanık mantık ve yapay sinir ağlarının özelliklerini biraraya getirmektedir. Kısa dönem yük tahmini (KDYT) yapısı iki temel kısımdan oluşmaktadır. Birincisi, temel tahmin birimi (TTB), geçmiş dönem yük bilgilerini kullanarak temel bir tahmin ortaya çıkarmaktadır. İkincisi, sıcaklık telafi birimi (STB), hava durumundaki değişikliklerden dolayıyükteki değişmeleri dikkate almak için kullanılmaktadır. STB özünde temel tahmin birimi ile aynı ağ yapısına sahip olup, gerekli telafiyi bulmak için eski ve tahmini sıcaklık değerlerini kullanmaktadır.
Özet (Çeviri)
ABSTRACT SHORT TERM SYSTEM LOAD FORECASTING USING FUZZY NEURAL NETWORKS Tan, Ercan M.S., Department of Electrical and Electronics Engineering Supervisor: Assoc. Prof. Dr. İsmet Erkmen December 1997, 124 pages In this study, a new hybrid intelligent system is developed using fuzzy neural networks (FNNs) for short term load prediction of power systems. The system combines the powers of fuzzy logic and artificial neural networks. Our short term load forecasting (STLF) structure consists of two main parts. The first one, base forecast unit (BFU), is used to obtain a base forecast by utilizing the past load data. The second one, temperature compensation unit (TCU), is used to take into account load variations due mto the changes in weather conditions. The TCU has the same network structure with the base forecast unit and it utilizes the past and forecasted temperature values to find the required compensation.
Benzer Tezler
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Yük tahmini yöntemleri ve Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. bölgelerine uygulanması
Load forecasting methods and application of Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. regions
EKREM GÜRSOY
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ADNAN KAYPMAZ
- Short term electricity load forecasting based on the optimal architecture of hybrid neural network model
Hibrid sinir ağı modelinin optimal yapısına dayalı kısa süreli elektrik yükü tahmini
FIRAS AHMED
Yüksek Lisans
İngilizce
2017
Bilim ve TeknolojiTürk Hava Kurumu ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. SHADİ ALSHEHABİ
- Uzun dönem yük tahmini: Manisa örneği
The long term load forecasting: Manisa city
AHMET SOM
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiDumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CELAL YAŞAR
- Türkiye'nin kısa dönem elektrik yük tahmini
Short term electrical load forecasting of Turkey
HASAN HÜSEYİN ÇEVİK
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ÇUNKAŞ