Using machine learning in smart grid to predict load consumption: The use of time series analysis
Başlık çevirisi mevcut değil.
- Tez No: 815121
- Danışmanlar: PROF. DR. OKAN ÖZGÖNENEL, DR. ÖĞR. ÜYESİ NUR SARMA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim Dalı
- Sayfa Sayısı: 66
Özet
Elektrik tüketimini tahmin etmek, doğru ve sürdürülebilir veri toplama sistemleri gerektirir ve bu sistemler akıllı şebeke sistemlerine dayanmaktadır. Bir şebekenin beklediği talebi tahmin etmek için, yeterli veri toplamak üzere çok sayıda akıllı sayaç gerektirmektedir. Ancak tahmin etme işlevi çok boyutludur ve basit güç toplama teknikleri, çeşitli kullanıcı türleri arasındaki ilişkisel benzerlikleri yakalamada başarısız olabilmektedir. Enerji talebinin doğru tahmini, yenilenebilir enerji sistemleri için ağların planlanması, kurulması, kurulması ve tüketicilere sürekli bir enerji kaynağı sağlanmasında kilit rol oynar; bu aynı zamanda depolama kapasitesinin ve depolama cihazlarının gerekliliğinin planlanması için önemli bir unsurdur. Kısa süreli (birkaç saatlik) tahmindeki hatalar, önemli ekonomik ve tüketici kayıplarına neden olabilir. Güç üretimi (geleneksel, fotovoltaik hücreler (PV) ve rüzgâr türbinleri), iletim ve dağıtım (mikro şebekeler ve arıza algılayıcıları) ve yük yönetimi (trafo istasyonları) dahil olmak üzere birçok kaynaktan her gün önemli miktarda veri üretilir ve son tüketiciler tarafından bu güç değerleri akıllı sayaçlar ile kaydedilir. Büyük veri ve bilgi işlemdeki son gelişmelerden yararlanılacak ve mevcut bilgilerden farklı kullanım türlerini belirlemek ve elektrik ihtiyaçlarını ve yoğun saatleri tahmin etmek için Derin Öğrenmeden (DL) yararlanılmalıdır. Bu tez, iki tahmin yöntemini kullanarak yükü tahmin etmeye yönelik makine öğrenimine (ML) dayalı tekniklerdeki bilgi eksikliğini gidermeyi amaçlamaktadır. Bunlardan ilki, Otomatik Gerileyen Entegre Hareketli Ortalama (ARIMA) ve diğderi ise Yapay Sinir Ağı'dır (YSA). Ortalama Mutlak Yüzde Hatası'nı (MAPE) kullanarak her iki yöntemin başarımını karşılaştırılmıştır. Bu tez çalışmasında, İrlanda'da 18 aylık bir süre boyunca 709 bireysel hane için günlük gerçek yük elektrik verileri kullanılmıştır. Sonuçlar, doğrusal olmayan yük verileri için (YSA)'nın ARIMA'dan daha iyi sonuçlar verdiğini ortaya koymaktadır.
Özet (Çeviri)
Accurately forecasting electricity demand necessitates the implementation of precise and environmentally friendly data acquisition platforms that heavily depend on intelligent grid technology. Collecting ample data requires deploying numerous smart meters to predict the anticipated requirement within a grid effectively. However, this task presents a multi-dimensional challenge, as simplistic power aggregation techniques often need to catch up in capturing the intricate relationships among diverse user profiles. The precise prediction of power demand is vital to the strategic decision-making, establishment, and optimization of the grid for sustainable electrical networks, ensuring a continuous and reliable consumer energy supply. It also serves as a critical factor in determining the necessary storage capacity and requirements for storage devices. Even small errors in hour-to-hour forecasting can lead to significant economic losses and detrimentally impact consumers. A significant amount of data is produced each day from many sources, including power generation (conventional, Photovoltaic cells (PV), and wind generators), power grid infrastructure (micro-grids and fault sensors), as well as demand response (transformer stations), and end consumers (intelligent meters). Recent developments in big data and computing are to be exploited. Deep Learning (DL) should be leveraged to determine the different types of usage from the available information and forecast the energy needs and the peak hours. This thesis endeavors to bridge the existing knowledge gap concerning machine learning (ML) techniques for electric load prediction by employing two predicting techniques: Auto Regressive Integrated Moving Average (ARIMA) and Artificial Neural Network (ANN). The Mean Absolute Percentage Error (MAPE) metric is utilized to compare the effectiveness of the two methods, Auto Regressive Integrated Moving Average (ARIMA) and Artificial Neural Network (ANN). The research leverages daily actual electricity information input data spanning 18 months from 709 individual households in Ireland. The findings demonstrate that the ANN outperforms ARIMA when dealing with non-linear load data, offering more accurate predictions.
Benzer Tezler
- An optimal energy management system for sustainable city based on renewable energy sources
Sürdürülebilir şehir için yenilenebilir enerji kaynaklarına dayalı en uygun enerji yönetim sistemi
MOHAMED ALI H. ELWEDDAD
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET TAHİR GÜNEŞER
- Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği
Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye
MAYSA GAIDOUM AHMED GAIDOUM
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Olasılıksal programlama ile enerji üretiminin güneş enerji santrallerinde (GES) tahmini
Power generation prediction in solar power plant (SPP) using probabilistic programming
NURAN AKKOYUN VAROL
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRTAŞ
- Data processing of measurements collected in IoT systems with machine learning
Başlık çevirisi yok
ÖVGÜ ÖZDEMİR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPázmány Péter Catholic UniversityDR. KáLMáN TORNAİ
- Anomaly detection scenarios in cyber-physical systems
Siber-fiziksel sistemlerde anomali tespit senaryoları
AYŞE SAYIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. MEHMET TAHİR SANDIKKAYA