Gru ile bölgesel tüketim modelleme ve tahmin: Derin öğrenme ile piyasa davranışlarını anlama
Regional consumption modeling and forecasting with gru: Understanding market behavior with deep learning
- Tez No: 849215
- Danışmanlar: PROF. DR. ÖMER FARUK ERTUĞRUL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Bilim Dalı
- Sayfa Sayısı: 61
Özet
Günümüzde artan enerji ihtiyacına karşılık üretim kapasitesindeki artış aynı zamanda tüketicilerin düzensiz ve sabit olmayan enerji ihtiyacı enerji kalite kontrolünü ve enerjide yük tahmini yapmayı zorunlu hale getirmiştir. Enerji kalitesinin iyileştirilmesi son zamanlarda artan akıllı şebekeler ve bunların kullanım alanın genişlemesiyle ön planda olmuştur. Ayrıca akıllı şebekelere dahil olan yapay zekâ alanındaki gelişmeler enerji kalitesini arttırmıştır. Enerji üretim kalitesi oldukça yüksek olsa da tüketim bandı, tüketicilerin farklı ve stabil olmayan durumları şebekede dengesizliklere yol açmaktadır. Bu dengesizliklerin giderilmesi çeşitli yöntemlerle yapılmaya başlanmış olup bunlardan biride şebekenin tüketim karakteristiğini çıkarmak ve buna üretimi düzenlemektir. Aynı zamanda çıkarılan tüketim durumuna göre uygun üretim durumu enerji üretim ve tüketim kalitesini arttıracaktır. Yaptığımız çalışma tamda bu tür sorunlara yeni bir çözüm oluşturmaktadır. Çalışma örnek bir yerin mevcut olan tüketim alışkanlıklarını çıkarıp bunları düzenledikten sonra bunların analizi yapıp mevcut enerji ihtiyacını görmektir. Ayrıca çalışmada düzensizlik sebeplerini araştırmak ve oluşacak enerji ihtiyaçlarımdan önceden haberdar olarak üretimi belirlenebilir. Tüketim tahmini farklı özellikler (hava durumu, kullanım yeri, kullanım tarihi, yenilenebilir enerji kullanımı, yıllık tüketim vb.) göz önüne alınarak yapılmıştır. Tahminleme yaparken yapay zekâ alanında birçok yöntem olsa da biz kullandığımız veri setine uygun olduğunu düşündüğümüz GRU (Geçitli Tekrarlayan Birim) yöntemi kullanılandık. Tahminlemede kullandığımız yöntem elde ettiğimiz RMSE sonuçlarına bakınca veri setimize uygun olduğu kanıtlanmıştır.
Özet (Çeviri)
Today, the increasing energy demand has led to a necessary increase in production capacity, as well as a need for energy quality control and load forecasting due to consumers' irregular and fluctuating energy needs. Recently, the improvement of energy quality has been in the spotlight with the increasing deployment of smart grids and their expanding applications. Furthermore, developments in the field of artificial intelligence (AI) integrated into smart grids have contributed to enhancing energy quality. Despite the high quality of energy production, the consumption band, characterized by consumers' diverse and unstable situations, leads to imbalances in the grid. Various methods have been initiated to address these imbalances, one of which is to derive the consumption characteristics of the grid and regulate production accordingly. Additionally, adjusting production based on the extracted consumption pattern will enhance both energy production and consumption quality. Our study aims to provide a new solution to these types of problems. The study involves extracting and organizing the existing consumption patterns of a sample location, analyzing them, and then determining the current energy demand. Furthermore, the study aims to investigate the causes of irregularities and predict future energy needs in advance. Consumption forecasting considers various factors (such as weather conditions, location of use, date of use, renewable energy use, annual consumption, etc.). While there are many methods in the field of AI for prediction, we chose to use the Gated Recurrent Unit (GRU) method, which we believe is suitable for our dataset. The method we used for prediction has been proven to be suitable for our dataset based on the RMSE results we obtained.
Benzer Tezler
- Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi
Load forecasting and decision support system for electric vehicles use
HATİCE MENEKŞE KÖSEMEN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Derin yapay sinir ağları ile elektrik tüketim tahmini
Forecasting electricity consumption with deep artificial neural networks
FATİH ÖZCAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ BOZKURT
- Recurrent neural network based approaches for electricity consumption forecasting
Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini
ALPER TOKGÖZ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Cancer imaging and treatment monitoring with color magnetic particle imaging
Renkli manyetik parçacık görüntüleme ile kanser görüntüleme ve tedavi ı̇zleme
MUSTAFA ÜTKÜR
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİNE ÜLKÜ SARITAŞ ÇUKUR
- Yenidoğan EEG'si özellikleri ve kan şekeri düzeyinin bioelektrik aktivite üzerine etkisi
Başlık çevirisi yok
AYŞEN GÖKYİĞİT