Elektrik güç dağıtımında akıllı sayaç verileri için anomali tespiti ve tahminleme
Anomaly detection and prediction for smart meter data in electrical power distribution
- Tez No: 780605
- Danışmanlar: DOÇ. DR. ZEYNEP ORMAN
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 69
Özet
Nüfus yoğunluğu ve ekonomik büyümenin etkisiyle enerji talebi hızla artmaktadır. Bu talep karşısında enerji ve elektrik şebekeleri daha fazla zorlukla karşı karşıya gelmektedir. Enerji tüketiminin sıkı bir şekilde izlenmesi ve kontrol altında tutulması önem arz etmektedir. Enerji dağılımını düşündüğümüzde akıllı sayaçlar bu enerjinin kontrolünde kilometre taşı rolü oynamaktadır. Enerji tüketim ölçümlerinin yapıldığı sayaçlarda meydana gelebilecek herhangi bir elektrik kesintisi, bir hata veya yanlış ölçüm, dağıtım şirketlerinden son kullanıcılara kadar birçok tarafı etkilemektedir. Enerji sektöründeki bu tür anomalilerin tespiti için veri analitiği çalışmaları ve büyük veri teknolojileri, sensörlerden ve sayaçlardan toplanan zaman serisi verilerini gerçek zamanlı veya toplu olarak analiz ederek verimliliği ve tasarrufu arttırmayı amaçlayan net ve eyleme geçirilebilir çıktılar üretmede önemli rol oynamaktadır. Bu çalışmada, akıllı sayaçlarla ölçülen aylık tüketim değerlerine dayalı olarak enerji tüketimindeki olası anomalilerin tespit edilmesi ve farklı yöntemler kullanılarak gelecek tüketiminin tahmin edilmesi amaçlanmaktadır. Bu tez çalışması, akıllı sayaç verileri üzerinde enerji sektöründe kullanılabilecek bir takım makine öğrenmesi yöntemlerinin bir analizini içerdiğinden, dağıtım şirketlerinin olası finansal kayıplarını en aza indirebilmelerine, enerji kayıplarını önleyebilmelerine ve diğer bazı olumsuz etkileri azaltabilmelerine yardımcı olacaktır. Sonuç olarak; enerji sektöründe genel aydınlatma sayaçları üzerinde yapılan uygulamalarda İzolasyon Ormanı (Isolation Forest-IF), Yerel Aykırı Değer Faktörü (Local Outlier Factor-LOF) ve FbProphet algoritmalarının anomali tespitinde olası uç anomali noktalarını başarılı bir şekilde tespit edebildiği ve FbProphet algoritmasının XGBoost algoritmasına göre sayaç verileri üzerinde zaman serileri ile yapılan tahminlemelerde ortalama olarak daha iyi sonuç verdiği tespit edilmiştir.
Özet (Çeviri)
With rapidly increasing energy demand as a result of increasing population density and economic growth, energy and electricity grids are now facing more challenges. This means that energy consumption should be kept under strict monitoring and control. When we consider energy distribution, smart meters play a milestone role in the control of this energy. Any power outage and an error or an incorrect measurement in the meters in which energy consumption measurements are made affect many stakeholders, from the distribution company to the end user. These unexpected behaviors can occur due to outages, faulty network infrastructures, unusual consumption situations of users, cyber-attacks, energy fraud, etc. Identifying such anomalies in the energy sector, data analytics studies, and big data technologies play an important role to produce clear and actionable outputs that aim to increase efficiency and savings by analyzing time series data collected from sensors and meters in real-time or batch. In this study, it is aimed to detect possible anomalies in energy consumption and forecasting consumption using different machine learning methods, based on monthly consumption values measured by smart meters. Since this thesis contains an analysis of the relevant methods in the energy sector on smart meter data, it will help distribution companies to minimize possible financial losses, prevent energy losses, and reduce other negative effects. As a result, it was found in this study's experiments and observations on general lighting meters in the energy sector that the Isolation Forest (IF), the Local Outlier Factor (LOF), and FbProphet were successful in detecting the potential extreme anomaly points. Additionally, it has been found that when using the FbProphet and XGBoost algorithms to forecast data from this time series, FbProphet outperforms XGBoost.
Benzer Tezler
- Akıllı dağıtım şebekelerinde işletim koşullarının iyileştirilmesine yönelik çok ajanlı kontrol yönteminin geliştirilmesi
Developing multi agent control methods for improved operational conditions in smart distribution networks
GÖRKEM ŞEN
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BAYSAL
- Transformatör arızalarının sınıflandırılması ve akıllı yöntemler kullanarak arızaların belirlenmesi
Classification of transformer faults and identification of faults using smart methods
ABDURRAHİM TURAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABUZER ÇALIŞKAN
- Tariff design for energy production and distribution with machine learning
Makine öğrencmesi kullanılarak enerji üretim ve dağıtımında tarife modellenmesi
BURAK IŞIK
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Ticaret ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA ALPER ÖZPINAR
- Yenilenebilir enerji kaynaklarının ve enerji depolama sistemlerinin yer aldığı, akıllı DC mikroşebeke
Smart DC microgrid, with high penetration of renewable energy resources and energy storage systems
SABER NIKFAL MOGHANLOU
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAN YÖRÜKEREN
- Mikroşebekelerin merkezi adaptif koruma yöntemiyle korunması
Protection of microgrids with central adaptive protection method
SENA ŞAHKULUBEY
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA