Makine öğrenim yöntemlerini kullanarak gecol'daki güç yükü tahmini
The power load prediction in gecol using machine learning methods
- Tez No: 838605
- Danışmanlar: PROF. DR. AYBABA HANÇERLİOĞULLARI
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kastamonu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Bu çalışmada, enerji tüketimini tahmin etmek için yapay bir sinir ağı kullanılmış ve SCADA (Denetleyici Kontrol ve Veri Toplama) verilerinin enerji üretimi, sıcaklık, nem ve rüzgar hızı gibi parametrelerle analiz edilmesi sağlanmıştır. SCADA veritabanının ön işlenmesi, Sinir Ağı algoritması için verileri optimize etmektedir. Bir dizi deney, 5 kat çapraz doğrulamada öğrenme verileri için 0,98 ve test verileri için 0,95 R2 değeri de dahil olmak üzere doğruluk ve kayıp azaltımına dayalı değerlendirmelerle bir tahmin modeli oluşturmaktadır. Çalışma, Libya Genel Elektrik Şirketi bünyesinde karar alma sürecine yardımcı olmayı amaçlayan, özellikle yük azaltma senaryolarında ağın enerji tahmin değerine ışık tutmaktadır. Ayrıca çalışma, Apriority algoritmasını ve Weka aracını kullanarak enerji tüketimi modellerini ortaya çıkarmakta ve kuralların %100 güvenle altını çizmektedir. Yüksek tüketim, 5800 MW'ı aşan güç ve 3,19 ila 8,45 km/saat aralığındaki rüzgar hızıyla; orta tüketim, 4000,5 ila 4269,5 MW aralığındaki güç ve 16,325 ila 18,055°C aralığındaki sıcaklıkla ve düşük tüketim, 2505,5 ila 3080,5 MW aralığındaki güç ve sabah 4:00 ila 6:00 arasındaki süre içerisinde 16,325 ila 21,635°C aralığındaki sıcaklıkla ilişkilendirilmiştir. Enerji verileri sınıflandırma analizinde Rastgele Orman algoritması 9,56 saniyede %94,651 doğruluk oranıyla en iyi performansı sergilerken, bunu sırasıyla %93,046 ve %92,707 doğruluk oranlarıyla J48 ve Regresyon Yoluyla Sınıflandırma algoritmaları izlemiştir. Daha hızlı alternatifler arasında yer alan ve öğrenme süreleri 0,08 ile 0,88 saniye arasında değişen One R, Rastgele Ağaç, Karar Ağacı ve Öznitelik Seçili Sınıflandırıcı algoritmaları, enerji yönetimi uygulamalarının daha iyi anlaşılmasına katkıda bulunmakta ve gelecekteki çalışmalar için öngörü sağlamaktadır.
Özet (Çeviri)
In this study, employs an artificial neural network to predict energy consumption, analysing SCADA (Supervisory Control and Data Acquisition) data with parameters including power generation, temperature, humidity, and wind speed. Pre-processing of the SCADA database optimizes data for the Neural Network algorithm. A series of experiments construct the prediction model, with evaluations based on accuracy and loss reduction, including an R2 value of 0,98 for training data and 0,95 for test data in 5-fold cross-validation. The study highlights the network's value for energy prediction, particularly in load shedding scenarios, aiming to assist decision-making within the General Electricity Company of Libya. Furthermore, the study uncovers energy consumption patterns using the Apriority algorithm and Weka tool, highlighting rules with 100% confidence. It associates high consumption with power exceeding 5800 MW and wind speeds of 3,19 to 8,45 km/hr, medium consumption with power between 4000,5 and 4269,5 MW and temperatures of 16,325 to 18,055°C, and low consumption with power between 2505,5 and 3080,5 MW, temperatures of 16,325 to 21,635°C, and the period of 4:00 to 6:00 am. In energy data classification analysis, the Random Forest algorithm as the top performer with a 94,651% accuracy rate in 9.56 seconds, followed by J48 and Classification Via Regression algorithms with accuracy rates of 93,046% and 92,707%, respectively. Quicker alternatives include One R, Random Tree, Decision Tree, and Attribute Selected Classifier with training times ranging from 0,08 to 0,88 seconds, contributing to a better understanding of energy management practices and providing insights for future research.
Benzer Tezler
- Obsesif kompulsif bozukluk ve trikotilomani hastalıklarının makine öğrenim yöntemi ile sınıflandırılması
Classification of obsessive compulsive disorder and tricotillomic diseases by machine learning method
HATİCE SULTAN DURSUN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiNörobilim Ana Bilim Dalı
DOÇ. DR. TÜRKER TEKİN ERGÜZEL
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Developing novel model for disease detections by processing medical data with artificial intelligence techniques
Yapay zeka teknikleri teknikleriyle tıbbi verileri kullanarak tespit yapan yeni bir model ve algoritma geliştirme
DERYA YELİZ COŞAR SOĞUKKUYU
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA
- Makine öğrenimi yöntemlerini kullanarak evre III invaziv duktal karsinomlu hasta verilerinin sınıflandırılması
Classification of patients with stage III invasive ductal carcinoma using machine learning methods
EMRE DİRİCAN
Doktora
Türkçe
2019
Bilim ve TeknolojiDicle ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ZEKİ AKKUŞ
- Modelling and predicting binding affinity of PCP-like compounds using machine learning methods
Makine öğrenimi yöntemlerini kullanarak PCP benzeri bileşiklerin modellenmesi ve bağlanma eğilimlerinin tahmini
ÖZLEM ERDAS
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERDA NUR ALPASLAN
PROF. DR. ERDEM BÜYÜKBİNGÖL