Clustering based deep learning strategy for the short-term load aggregate load forecasting for smart grids
Akıllı şebekeler için kısa vadede yük toplam yük tahmini için kümeleme tabanlı derin öğrenme stratejisi
- Tez No: 732510
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Kısa vadeli yük tahmini, bir akıllı evin kamu sektörü tarafından oluşturulan bir talep yanıtı olayına katılıp katılmayacağını belirlemede büyük önem taşır. Ancak, akıllı evlerin enerji tüketiminde yer alan düzensizlik ve belirsizlik, tahminler için zorluklar yaratmaktadır. Ek olarak, gelecekteki akıllı şebeke senaryolarının talep yanıtı programlarında çok sayıda akıllı ev olduğu göz önüne alındığında, her ev için benzersiz bir tahmin aracı tasarlamak ve onu sürekli güncellemek, büyük veri ile ilgili zorluklarla karşılaşır ve ekonomik olarak uygulanabilir bir yaklaşım olmayabilir. Bu sorunları çözmek için ARIMA, MLP ve LSTM olmak üzere üç farklı metodoloji ve farklı model konfigürasyonları kullanılıyor. Önerilen metodolojiler Akıllı Şebeke Akıllı Şehir (Smart Grid Smart City) veri seti üzerinde test edilmiş ve en fazla sayıda müşterinin mevcut olduğundan emin olmak için tarih seçilmiş, ardından k-ortalama kümelemesi kullanılarak evler kapsamlı bir bilgilendirici özelliklerine göre kümeler halinde gruplandırılmıştır. Tek bir tahminciye sahip olmak yerine, her kümenin kümenin genel tüketim tahmini için rekabet eden bir tahminci havuzu vardır. Ardından, nihai genel tüketim tahminine ulaşmak için bir araya getirilirler. Toplam düzeyde tahmin doğruluğunu düzgün bir şekilde ölçmek için ölçekten bağımsız ve sıfıra yakın değerlere dayanıklı RMSE ve MAE gibi değerlendirme metrikleri kullanıldı.
Özet (Çeviri)
Short-term load forecasting is of great importance in determining whether a smart home (SH) will participate in a Demand Response (DR) event created by the utility operator. However, volatility and uncertainty involved in energy consumption of SHs poses difficulties for their forecasting. Additionally, given the large number of SHs in DR programs of future smart grid scenarios, designing a unique predictor for each SH and constantly updating it faces big-data related challenges and may not be an economically viable approach. To tackle these issues, we evaluate three different methodologies, which are ARIMA, MLP and LSTM and different configurations of models are used. The proposed methodologies are tested on Smart Grid Smart City dataset and the date is picked to ensure that the greatest number of customers are available, after that, using k-means clustering the houses are grouped into clusters according to their informative features obtained from an extensive statistical analysis. Instead of having one predictor, each cluster has a pool of predictors that compete for the cluster's overall consumption forecast. Then they're added together to reach the final overall consumption forecast. We use evaluation metrics such the RMSE and MAE, which are scale-independent and robust to values near zero, to properly measure predicting accuracy at the aggregated level.
Benzer Tezler
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Integrating fuzzy logic into deep autoencoders for interpretability and clustering
Yorumlanabilirlik ve öbekleme için bulanık mantığın derin özkodlayıcılara entegre edilmesi
KUTAY BÖLAT
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Kümeleme yöntemleri ile müşteri kanal göçü analizi
Customer channel migration analysis with clustering methods
GİZEM ÇALIŞKAN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ
- Hardware acceleration for Swin transformers at the edge
Uçta Swin tabanlı dönüştürücüler için donanım hızlandırıcılar
YUNUS ESERGÜN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR GÜDÜKBAY
PROF. DR. ÖZCAN ÖZTÜRK