Geri Dön

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

  1. Tez No: 849215
  2. Yazar: HERDEM TUNG
  3. Danışmanlar: PROF. DR. ÖMER FARUK ERTUĞRUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Batman Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. ORHAN TORKUL

  2. Derin yapay sinir ağları ile elektrik tüketim tahmini

    Forecasting electricity consumption with deep artificial neural networks

    FATİH ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BARIŞ BOZKURT

  3. Recurrent neural network based approaches for electricity consumption forecasting

    Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini

    ALPER TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  4. Cancer imaging and treatment monitoring with color magnetic particle imaging

    Renkli manyetik parçacık görüntüleme ile kanser görüntüleme ve tedavi ı̇zleme

    MUSTAFA ÜTKÜR

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMİNE ÜLKÜ SARITAŞ ÇUKUR

  5. Yenidoğan EEG'si özellikleri ve kan şekeri düzeyinin bioelektrik aktivite üzerine etkisi

    Başlık çevirisi yok

    AYŞEN GÖKYİĞİT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1979

    Nörolojiİstanbul Üniversitesi

    Nöroloji Ana Bilim Dalı