Genetik algoritma ve yapay sinir ağı ile uyarlanabilir nöro bulanık çıkarım sistemlerine dayalı yük tahmini: Irak örneği
Load forecasting based on genetic algorithm ga artificial neural network ann adaptive neuro-fuzzy inference systems anfis : A case study in Iraq
- Tez No: 818508
- Danışmanlar: DR. ÖĞR. ÜYESİ ALTUĞ BOZKURT, DR. ÖĞR. ÜYESİ YAVUZ ATEŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Tesisleri Bilim Dalı
- Sayfa Sayısı: 67
Özet
Elektrik enerjisi, modern ekonominin önemli bir unsuru olarak kabul edilmektedir. Elektrik enerjisinin üretimi ve tüketimi arasında denge sağlanması, enerji sektörünün etkin ve sürdürülebilir işleyişi için kritik bir gerekliliktir. Bu dengeyi sağlamak ve enerji kaynaklarının etkin bir şekilde kullanılabilmesi için elektrik yükünün doğru bir şekilde tahmin edilmesi büyük önem taşımaktadır. Elektrik yükü tahmini, gelecekte tüketilecek elektrik enerjisi miktarını veya yükünü önceden tahmin etmeyi hedefleyen bir çalışma alanıdır ve enerji yönetimi açısından önemli bir rol oynamaktadır. Bu çalışmada, elektrik yükünün tahmin edilmesi konusu üzerinde yoğunlaşılarak verimli enerji yönetimine katkı sağlanması hedeflenmektedir. Çalışmada, farklı istatistiksel yöntemlerin karşılaştırılması ve zaman içinde elde edilen sonuçların analizi amacıyla çeşitli eğitim ve test verileri kullanılmıştır. Bu kapsamda, Yapay Sinir Ağı (ANN) modeli ile birlikte Genetik Algoritmalar (GA) ve Uyarlanabilir Nöro-Bulanık Çıkarım Sistemleri (ANFIS) gibi gelişmiş tahmin teknikleri de kullanılmıştır. Böylelikle, farklı yöntemlerin performansı karşılaştırılarak en iyi tahmin sonuçlarının elde edilmesi amaçlanmıştır. Çalışmada, uzun vadeli bir model kullanılarak tahmin süreci gerçekleştirilmiş ve saatlik bölünmüş yıllık veriler kullanılarak en düşük bağlamsal hata değerlerine ulaşılmıştır. Veri örnekleri, farklı algoritmaların uygulanması ve çeşitli faktörlerin yük tahmini üzerindeki etkilerinin incelenmesi amacıyla kullanılmıştır. Elde edilen sonuçlar, ANN-GA modelinin diğer modellere kıyasla yük tahmini konusunda yüksek doğruluk ve düşük hata oranlarına sahip olduğunu göstermektedir. Bu çalışma, enerji yönetimi alanında önemli bir katkı sağlamakta olup, elektrik yükünün etkili bir şekilde tahmin edilmesine yönelik gelişmiş yöntemlerin kullanılmasının önemini vurgulamaktadır.
Özet (Çeviri)
Electricity is considered a crucial element of the modern economy. Achieving a balance between electricity production and consumption is imperative for the efficient and sustainable functioning of the energy sector. Forecasting electricity load accurately is of great importance to maintain this balance and enable effective utilization of energy resources. Load forecasting aims to predict the future amount of electricity consumption or load, playing a significant role in energy management. This study focuses on predicting electricity load to contribute to efficient energy management. Various statistical methods are compared, and the outcomes over time are analyzed using different training and testing datasets. Advanced prediction techniques such as Artificial Neural Networks (ANN), Genetic Algorithms (GA), and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are employed. The objective is to achieve the best prediction results by comparing the performance of different methods. The forecasting process is performed using a long-term model, utilizing hourly subdivided annual data to attain the lowest contextual error values. Data sets are used to investigate the effects of various factors on load forecasting by applying different algorithms. The obtained results demonstrate that the ANN-GA model outperforms other models, showing high accuracy and low error rates in load prediction. This research significantly contributes to the field of energy management by highlighting the importance of employing advanced tools to accurately forecast electricity load.
Benzer Tezler
- Çok girişli çok çıkışlı dikgen frekans bölmeli çoğullama sistemlerinde yapay zeka teknikleri ile kanal kestirimi
Channel estimation in multiple input multiple output orthogonal frequency division multiplexing systems by artificial techniques
MUHAMMET NURİ SEYMAN
Doktora
Türkçe
2011
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NECMİ TAŞPINAR
- Esnek hesaplama teknikleri ile doğrusal olmayan sistemlerin kimliklendirilmesi
Identification of nonlinear systems with soft computing techniques
HASAN ZORLU
Doktora
Türkçe
2011
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞABAN ÖZER
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Tiroid nodüllerinin genetik algoritma ile eğitilen anfıs yöntemi kullanılarak iyi huylu ve kötü huylu olarak ayrıştırılması ile yeni bir bilgisayar destekli tanı temelli risk sınıflandırma sistemi önerilmesi
Differentiation of benign and malignant thyroid nodules with anfis by using genetic algorithm and proposing a novel cad-based risk stratification system of thyroid nodules
AHMET CANKAT ÖZTÜRK
Doktora
Türkçe
2023
Mühendislik BilimleriTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK