Geri Dön

Optimize edilmiş derin öğrenme modelleriyle yorumlanabilir ve doğru akıllı şebeke kararlılığı tahmini

Interpretable and accurate smart-grid stability prediction with optimized deep models

  1. Tez No: 702841
  2. Yazar: TÜRKÜCAN ERDEM
  3. Danışmanlar: DOÇ. DR. SÜLEYMAN EKEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Akıllı Şebekelerde (Smart Grid, SG), kullanıcı bilgileri toplanıp, arz bilgileri ile karşılaştırıldıktan sonra, müşterilerin kullanıma karar vermeleri için fiyat bilgileri gönderilmektedir. Merkezi Olmayan Akıllı Şebeke Kontrolcüsü (Decentral Smart Grid Control, DSGC) sistemleri; şebekenin frekansını, fiyat bilgisine bağlayarak çalışmaktadır ve bunu bir diferansiyel denklem ile temsil etmektedir. DSGC, kullanıcı davranışlarına ilişkin bazı çıkarımlar ile hareket etmektedir. Bu çalışmada, bu çıkarımlardan doğan sabit giriş ve eşitlik sorunlarını çözmek için, optimize edilmiş Derin Öğrenme (DL) modeli kullanımı önerilmektedir. SG'nin kararlılığını tahmin etmek amacıyla, birçok DL modeli ve DL modellerindeki parametreler denenip, karşılaştırılmaktadır. Daha iyi başarım oranı elde etmek amacıyla, şebekenin simetrik olması kullanılıp, 10.000 örnekleme sahip veri setinden, arttırılmış, 60.000 örnekleme sahip bir veri seti elde edilmiştir. Çalışma sonucunda, arttırılmış veri setinin kullanılması ve DL yardımıyla %99,62 doğruluk oranına sahip bir model elde edilmiştir. Optimize edici olarak en iyi sonucu Nadam'ın verdiği gözlemlenmiştir. DL modellerinin kara kutu problemini çözmek için, insan-anlaşılabilir bilgi çıkarımı çıkarmak amacıyla, sunulan DL modelinde Katmana Göre Alakalık Geri Yayımı (Layer-Wise Relevance Propagation, LRP) kullanılmıştır. Farklı katmana göre alakalık geri yayımı kuralları karşılaştırılmıştır. Girdilerin, kararlılık tahmini üzerindeki etkileri incelenmiştir. Kullanıcıların reaksiyon zamanlarının en önemli etken olduğu, fiyat elastiklik katsayısının buna oranla %15-20 önem taşıdığı ve nominal güç üretim ve tüketiminin göz ardı edilebileceği keşfedilmiştir. Hem yüksek başarım oranı gösteren hem de açıklanabilir bir kararlılık tahmin sistemi oluşturularak DL modellerinin, simüle edilmiş sistemlerde yeni öngörüler sunduğu ve dikkate alınması gerektiği gösterilmiştir; sistemin tahmin mekanizmalarının anlaşılması sağlanarak, kara kutu problemine çözüm üretilmiştir.

Özet (Çeviri)

In a smart grid, consumer demand information is collected, centrally evaluated against current supply conditions and the proposed price information is sent back to customers for them to decide about usage. Decentral Smart Grid Control (DSGC) systems work by tying grid frequency to price data and they are described by a differential equation. DSGC systems assume some user behaviors. In this thesis, we suggested using Deep Learning (DL) models for solving two main problems arising from these assumptions, namely fixed inputs and equality issues. Multiple DL models and parameters for predicting smart grid stability are compared. In order to obtain a better result, the symmetry of the network is leveraged and an augmented data set with 60.000 samples is obtained from the data set with 10.000 samples. As a result of the study, a model with an accuracy rate of 99.62% is found. As for optimizer, nadam is found to give the best results. To solve the black box problem of deep learning models, Layer Relevance Propagation (LRP) is used in the suggested DL model to extract human-intelligible information. Different propagation rules are compared and the effects of the inputs on the stability prediction are examined. It is found that the reaction time of the users is the most relevant factor for smart grid stability. Compared to reaction time, the price elasticity coefficient found to have 15-20% of relevancy. The nominal power generation and consumption found to be irrelevant to smart grid stability. By constructing a stability prediction system that is both high-performance and explainable, it is been shown that DL models offer new insights in simulated systems and should be taken into account; By providing an understanding of the prediction mechanisms of the system, a solution for the black box problem is given.

Benzer Tezler

  1. Derin öğrenme ile cerrahi video anlama

    Surgical video understanding with deep learning

    ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  2. Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  3. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  4. Tam otomatik ve metasezgisel tabanlı yeni bir derin öğrenme mimarisi üretecinin geliştirilmesi ve cilt kanseri teşhisi için etkinliğinin gösterilmesi

    Development of a novel, fully automatic and metaheuristic-based deep learning architecture generator and demonstration of its effectiveness through skin cancer diagnosis

    MUSTAFA FURKAN KESKENLER

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DENİZ DAL

  5. Optimization of deep neural network architectures for the forest fire detection

    Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu

    BERRİN SAVDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN

    PROF. DR. HAZIM KEMAL EKENEL