Matlab implementation of artificial neural networks algorithms for power consumption prediction
Güç tüketimi tahmini için yapay sinir ağları algoritmalarının matlab uygulaması
- Tez No: 805087
- Danışmanlar: YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 74
Özet
Küresel ölçekte elektrifikasyon çabalarını artırma yönünde bir eğilim olduğu gibi aynı zamanda, yeni teknolojik yenilikler dünya çapında tüketilen güç miktarında bir artışa yol açıyor. Sonuç olarak, konut ortamında kullanılan elektrik miktarında bir artış beklemeliyiz. Tüm dünyada enerji kullanımı hakkında daha fazla bilgi elde edildikçe, gelecekteki güç tüketimi hakkında güvenilir tahminler oluşturmak giderek zorlaşmaktadır. Hem alıcı hem de satıcı, doğru bir tahminden faydalanır. Bir müşteri, bir şirketin yardımıyla paradan tasarruf edebilir ve karbon ayak izini azaltabilir. güç tahmini. Sağlayıcının güvenilebilecek bir tahmine sahip olması, mal akışını düzenleme girişimlerinin etkinliği için esastır. Sonuç olarak, bu tür modelleme konut elektrik endüstrisindeki tedarik zincirinin genel optimizasyonuna katkıda bulunabilir. Bu konuya gösterilen yoğun ilgi sonucunda çok çeşitli çözme teknikleri araştırılmış ve değerlendirilmiştir. Bu çalışmada, enerji tüketimini doğru bir şekilde tahmin etmek için AAA-ANN ve ANN-PSO algoritmalarını tanıtıyoruz. Her ikiside bu yöntemler yapay sinir ağlarına dayanmaktadır. Gelecekteki güç tüketiminin doğru tahminlerini sağlamak için, her iki yaklaşımın da altında yatan algoritmalar geliştirilmiştir. Matlab ve daha sonra UCP veri tabanından alınan veriler kullanılarak eğitilmiştir. AAA-ANN yöntemi, hata eğrisi analizi, eğitim doğruluk oranı analizi, hızlanma doğruluk oranı analizi, eğitim hata oranı analizi ve test hata oranı analizi açısından diğer yaklaşımlardan daha iyi performans gösterir. AAA-ANN ile ANN ve ANN-PSO'yu karşılaştırdıktan sonra, bu özel yöntemin gelecekteki güç kullanımını tahmin etmek için en iyi yaklaşım olduğu fazlasıyla açık hale geldi.
Özet (Çeviri)
At the same time as there is a drive to increase electrification efforts on a global scale, new technological innovations are leading to an increase in the amount of power that is consumed worldwide. As a result, we should anticipate an increase in the amount of electricity used inside the residential setting. It is becoming increasingly difficult to generate reliable projections about future power consumption as more information about the usage of energy throughout the world becomes available. Both the buyer and the seller stand to benefit from an accurate prognosis. A customer may be able to save money and reduce their carbon footprint with the assistance of a power forecast. It is essential for the effectiveness of the provider's attempts to regulate the flow of goods that they have a forecast that can be relied upon. Consequently, this type of modeling can make a contribution to the overall optimization of the supply chain in the residential electricity industry. As a result of the extensive interest in this issue, a broad variety of techniques to solving it have been investigated and assessed. In this study, we introduce the AAA-ANN and ANN-PSO algorithms for accurately predicting energy consumption. Both of these methods are based on artificial neural networks. In order to provide accurate projections of future power consumption, the algorithms underlying both approaches were developed in Matlab and then trained using data taken from the UCP database. The AAA-ANN method outperforms other approaches in terms of error curve analysis, training accuracy rate analysis, vitesting accuracy rate analysis, training error rate analysis, and testing error rate analysis. Afterc comparing AAA-ANN to ANN and ANN-PSO, it became abundantly evident that this particular method was the best approach for forecasting future power use.
Benzer Tezler
- FPGA üzerinde HYSA ve HYSA'ya özel öğrenme algoritmalarının birlikte gerçeklenmesi
Implementation of CNN and CNN specific learning algorithms on FPGA
ERDEM KÖSE
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
- Yapay sinir ağları ile optik karakter tanıma
Optical character recognition with artificial neural network
MURATCAN UZTEMUR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. AFİFE LEYLA GÖREN SÜMER
- Sabit mıknatıslı senkron motor için kapalı çevrim sistem tanıma ve sensörsüz hız kontrolü
Closed loop system identification and sensorless speed control of PMSM
MELİH SABRİ BOZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN KAAN EROL
- Kalp seslerinin analizi ve yapay sinir ağları ile sınıflandırılması
Analysis of heart sounds and classification of by using artificial neural networks
ÖZGÜR SAY
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ZÜMRAY DOKUR ÖLMEZ
- Implementation and evaluation maximum power point tracking (MPPT) based on adaptive neuro fuzzy inference systems for photovoltaic pv system
Başlık çevirisi yok
ABDELHAKIM ABOBAKIR EL AGORI
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Prof. Dr. MEHMET EMİN TACER