Derin öğrenme modelleri ile elektrik kesinti tahmini
Power outage prediction with deep learning models
- Tez No: 726344
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ HAMİTOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Sabahattin Zaim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 74
Özet
Gelişmekte olan ülkelerde artan nüfus, sanayi ve teknolojinin yaygınlaşması, ekonominin artan trendi ile birlikte enerji kullanımı da artmaktadır. Bu artışın ana enerji kaynağı ise elektriktir. Bu bakımdan elektrik kesintileri ağır sanayi, üretim gibi birçok alanın yanında hastane, eğitim kurumları, iletişim gibi önemli alanlarda etkisini büyük oranda hissettirmekte, kesinti süresi ile orantılı olarak ekonomik kayba sebebiyet vermektedir. Kesintilerin önceden tahmini ile kullanıcılarının önceden bilgilendirilmesi, ilgili dağıtım şebekesine yatırımlarının planlanması ve kesintinin yoğunluğuna göre müdahale ekibinin belirlenmesi ile kesinti süresinin en az seviyeye indirilmesi sağlanabilir. Bu alanda yapılan çalışmalar incelendiğinde daha çok yapay zeka modelleri kullanılarak elektrik arıza sayıları ve ekonomik maliyeti tahmini yürütülmüştür. Bu çalışmada bölgede günlük olarak alınan kesinti verilerinin analizi yapılarak önceki kesintilerin bölgesel olarak sayıları ve bölgenin meteorolojik koşulları dikkate alınarak derin öğrenme modelleri ile kesintinin oluşacağı bölgeyi ve kesinti yoğunluğunun (sayılarının) tahmin edilmesi önerilmiştir. Derin Öğrenme yöntemlerinden Konvolüsyonel Sinir Ağı (CNN), Tekrarlayan Sinir Ağı (RNN) ve Uzun Kısa Vadeli Hafıza (LSTM) modelleri aracılığı ile Uyarlanabilir Momentum Tahmini (adam) ve Karesel Ortalama Hata Olasılığı (RMSProp) optimizasyonları kullanılarak deneyler yapılmıştır. Deneylerde 3 farklı veri seti üzerinde özellik çıkarma, ekleme ve Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (MSE) metrikleri ile modellerin başarıları değerlendirilmiştir. Yapılan değerlendirmede özellik sayısı bakımından RMSProp optimizasyonu kullanılan LSTM 'in çok özellikli verilerde 0.0202 MAE ve 0.008 MSE değerleri ile en başarılı model olduğu, genel olarak değerlendirildiğinde de yine aynı şekilde RMSProp optimizasyonu kullanılan LSTM' in 0.0377 MAE ve 0.0027 MSE değerleri ile az özellikli veride de en başarılı sonucu verdiği gözlemlenmiştir.
Özet (Çeviri)
With the increasing population, the spread of industry and technology in developing countries, and the increasing trend of the economy, the usage of energy is also increasing. The main energy source of this increase is electricity. In this respect, power outages have a great impact in many areas such as heavy industry, production, as well as in important areas such as hospitals, educational institutions, communication, and cause economic loss in proportion to the duration of the outage. It can be ensured that the downtime is minimized by informing the users in advance, planning the relevant distribution network investments and determining the maintenance team according to the intensity of the outage. When the studies in this field are examined, mostly artificial intelligence models are used to estimate the number of electrical faults and its economic costs. In this study, it is suggested to estimate the region where the outages will occur and the density (numbers) of the outage with deep learning models by analyzing the daily outage data in the region, taking into account the regional numbers of the previous outages and the meteorological conditions of the region. Experiments were carried out using deep learning methods Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM) models using Adaptive Moment Estimation (adam) and Root Mean Square Error Probability (RMSProp) optimizer. In the experiments, the success of the models was evaluated with feature extraction, and Mean Absolute Error (MAE), Mean Squared Error (MSE) metrics on 3 different data sets. In the evaluation, it was seen that LSTM, which used RMSProp optimization in terms of number of features, was the most successful model with 0.0202 MAE and 0.008 MSE values in multi-feature data. When evaluated in general, it was observed that LSTM, which used RMSProp optimization in the same way, gave the most successful results with 0.0377 MAE and 0.0027 MSE values, as well in low-featured data.
Benzer Tezler
- Elektrik dağıtım şebekesinde meydana gelen elektrik kesintilerine ait kalite parametrelerinin makine öğrenimi ile ölçülmesi: Diyarbakır ili Çınar ve Ergani ilçelerine ait performans ölçümü
Measurement of quality parameters related to power outages i̇n the electricity distribution network via machine learning: Performance assessment for Çinar and Ergani districts of Diyarbakir province
ESRA TOPKAÇ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET NERGİZ
- Bilişsel radyo sistemlerinde kümeleme ve derin öğrenme ile modülasyon sınıflandırma
Modulation classification in cognitive radio systems using clustering and deep learning
TOLGA DEMİRCİ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SULTAN ALDIRMAZ ÇOLAK
- Derin öğrenme yöntemlerinin çöz ve aktar tabanlı işbirlikli haberleşme sistemlerindeki performansının incelenmesi
Performance analysis of deep learning methods in decode and forward based cooperative communication systems
BİLGEHAN AKDEMİR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACI İLHAN
- Uçtan uca sürücüsüz bir aracın derin öğrenme modelleri ile kontrol edilmesi
Controlling an end-to-end driverless vehicle with deep learning models
ALİ ART
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH TALHA SÖZER
- Meme kanseri ve akciğer kanserinin derin öğrenme modelleri ile analizi ve yorumlanması
Analysis and interpretation of breast cancer and lung cancer with deep learning models
SURA ALFADHLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ