A deep learning approach for load demand forecasting of power system
Güç sisteminin yük talep tahmini için derin öğrenme yaklaşımı
- Tez No: 866792
- Danışmanlar: DOÇ. DR. SERKAN SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Bu çalışma, elektrik şebekelerinin yönetimi ve planlamasında kritik bir bileşen olan güç sistemlerinin yük taleplerinin kesin tahmin edilmesi için özelleştirilmiş bir derin öğrenme metodolojisini sunmaktadır. Tezimizin odak noktası, geleneksel makine öğrenme algoritmaları ve özellikle Uzun Kısa Süreli Bellek (UKSB) ağı olmak üzere bir derin öğrenme modeli de dahil olmak üzere birkaç regresyon modelinin performanslarının karşılaştırılması üzerinedir. Modellerin performansları, Ortalama Mutlak Hata (OMH), Ortalama Kare Hata (OKH), Kök Ortalama Kare Hata (KOKR) ve LSTM modeli hariç tümü için Kök Ortalama Mutlak Hata (KOMH) ve kayıplar olmak üzere çeşitli metrikler temelinde değerlendirilmiştir. Bulgularımız, UKSB modelinin geleneksel regresyon tekniklerini önemli ölçüde aştığını, 2.1351 OMH ve 3.8831 OKH değerleriyle, diğer modeller için kaydedilenlerden önemli ölçüde daha düşük metrikler elde ettiğini göstermektedir. Bu, UKSB'in güç yük talebi tahminindeki karmaşıklık ve değişkenliği ele almadaki üstün yeteneğini vurgulamaktadır. Bu çalışma, derin öğrenmenin, özellikle UKSB ağlarının, güç yük talebi tahminindeki doğruluk ve güvenilirliği artırma potansiyelini vurgulamaktadır. Böyle ilerlemeler, enerji sistemlerinin işletilmesi ve verimliliğinin optimizasyonu için hayati öneme sahiptir, daha iyi enerji yönetimini kolaylaştırır ve elektrik şebekelerinin genel istikrarına katkıda bulunmaktadır
Özet (Çeviri)
This study presents a deep learning methodology tailored for the precise forecasting of power system load demands, a critical component in the management and planning of electrical grids. The focus of our thesis lies in comparing the performance of several regression models, including both traditional machine learning algorithms and a deep learning model, specifically a Long Short-Term Memory (LSTM) network. The performances of models were evaluated based on various metrics, namely Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and for all except the LSTM model, the Root Mean Absolute Error (RMAE) and losses. Our findings reveal that the LSTM model significantly outperforms traditional regression techniques, achieving an MAE of 2.1351 and an MSE of 3.8831, metrics that are substantially lower than those recorded for the other models. This highlights the LSTM's superior ability in handling the complexity and variability inherent in power load demand forecasting. This study underscores the potential of deep learning, particularly LSTM networks, in enhancing the accuracy and reliability of power load demand forecasting. Such advancements are vital for optimizing the operation and efficiency of power systems, facilitating better energy management, and contributing to the overall stability of electrical grids.
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
- Generating electricity load data using generative adversarial networks
Üretken rakip ağları kullanarak elektrik yükü verilerinin üretilmesi
MOHAMMED Z.M. ALREDWAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN AKIN
- Clustering based deep learning strategy for the short-term load aggregate load forecasting for smart grids
Akıllı şebekeler için kısa vadede yük toplam yük tahmini için kümeleme tabanlı derin öğrenme stratejisi
MİRAY ALP
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Yazılım tanımlı ağ tabanlı büyük veri ağ mimarileri üzerinde yük dengeleme ve kontrolör yerleştirme probleminin yapay zeka yaklaşımları ile çözümü
Solving load balancing and controller placement problems in software-defi̇ned network based big data network architectures usi̇ng artificial intelligence approaches
BANU ULU
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİLAL BABAYİĞİT