Elektrik enerji tüketiminin kısa dönem yük tahmini ve mevsimsellik analizi
Short-term load forecasting and seasonal analysis of electrical energy consumption
- Tez No: 879803
- Danışmanlar: DR. ÖĞR. ÜYESİ İBRAHİM GÜRSU TEKDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Elektrik enerji sistemlerinin verimli bir şekilde planlanması, ekonomik bir şekilde üretilmesi, dağıtılması, sistem operasyonlarının daha iyi koşullarda yönetilmesi ve gelecekteki enerji ihtiyaçlarını tahmin etme açısından oldukça kritik bir adım olan yük tahmini, elektrik sektöründe büyük bir öneme sahiptir. Bu tahminler, geçmiş dönemlerdeki elektrik enerjisi tüketim alışkanlıklarını inceleyerek gelecekteki elektrik talebini öngörmeye dayanır. Yük tahmini, kısa dönem, orta dönem ve uzun dönem olmak üzere üç ayrı periyot şeklinde ele alınabilir. Kısa dönem yük tahminleri, bir gün veya bir hafta gibi kısa bir süre için; orta dönem yük tahminleri, birkaç ay veya bir yıl gibi daha uzun bir süre için ve uzun dönem yük tahminleri de birkaç yıl veya daha uzun bir süre için yapılır. Bu çalışmada, Güneydoğu Anadolu Bölgesinde bulunan bir tesisin 2019-2020-2021-2022 yıllarına ait saatlik elektrik enerjisi tüketim verileri kullanılarak kısa dönem yük tahmin modellemesi yapılmıştır. Ayrıca, Meteorolojiden bu yıllara ait sıcaklık değerleri alınarak elektrik enerjisi tüketim verilerine sıcaklık faktörü de eklenmiştir. Mevsimsellik analizi yapılarak sıcaklık faktörünün elektrik enerjisi tüketim tahminlerinin sonucuna etkisi değerlendirilmiştir. Çalışma kapsamında, yük tahmini uygulaması için çoklu doğrusal regresyon, yapay sinir ağları (YSA) ve Otoregresif Hareketli Ortalamalar (ARIMA) yöntemleri kullanılmış, her bir yöntem için tahmin sonuçları elde edilmiş ve diğer yöntemlerle karşılaştırılmıştır. Bu yöntemler için veri doğruluğu ve analiz hızları açısından yapılan karşılaştırmada, ortalama hata değerleri bulunarak modellerin performansları sonucunda ARIMA yönteminin, yük verilerindeki dalgalanmaları azaltarak, daha doğru tahminler yaptığı gözlenmiştir. Yapay sinir ağları yönteminin ise, yük verilerindeki kalıpları öğrenerek, daha hızlı sonuç ürettiği görülmüştür.
Özet (Çeviri)
Load forecasting, which is a critical step in efficiently planning, economically producing, distributing, and managing system operations of electric energy systems, as well as predicting future energy needs, holds significant importance in the electricity sector. These forecasts rely on predicting future electricity demand by examining consumption patterns from past periods. Load forecasting can be categorized into three different periods: short-term, medium-term, and long-term. Short-term load forecasts are made for a short period such as a day or a week; medium-term load forecasts cover a longer period, such as several months or a year, while long-term load forecasts extend to several years or more. In this study, short-term load forecasting modeling was conducted using hourly electricity consumption data from a facility located in the Southeast Anatolia Region for the years 2019-2020-2021-2022. Additionally, temperature values for these years were obtained from meteorological data, and a temperature factor was added to the electricity consumption data. Seasonality analysis was performed to evaluate the impact of the temperature factor on the results of electricity consumption forecasts. For load forecasting application in this study, regression, artificial neural networks, and ARIMA methods were utilized. Forecast results were obtained for each method and compared with other methods. In the comparison made in terms of data accuracy and analysis speed, average error values were determined, and it was observed that the ARIMA method provides more accurate predictions by reducing fluctuations in load data. The artificial neural networks method, on the other hand, was found to produce results more quickly by learning patterns in load data.
Benzer Tezler
- Ann based electricity consumption forecasting in Yasar University
Yapay sinir ağları kullanılarak Yaşar Üniversitesi yük tahmini
TUTKU ÇİMENDERE BUTEKİN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HACER ÖZTURA
- Konut tipi tüketiciler için bir talep tarafı yönetimi uygulaması
A demand side management appli̇cati̇on for residential consumers
ÇAĞLA DİNDAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL KURT
DR. ÖĞR. ÜYESİ İBRAHİM GÜRSU TEKDEMİR
- Machine learning-based energy consumption forecastingfor stores in a shopping center - A case study
Alışveriş merkezindeki dükkânların enerji tüketimininmakine öğrenmesiyle tahmini - Vaka çalışması
NADIA AHBAB
Yüksek Lisans
İngilizce
2023
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
ÖĞR. GÖR. MUSTAFA BERKER YURTSEVEN
- Flexible load management in active distribution system
Esnek dağıtım sistemlerinde yük yönetimi
SHAHRAM PARCHEHBAF DIBAZARI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama
A dynamic energy management model proposal for energy management in industrial microgrids and a case study
ZEYNEP BEKTAŞ
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU