Generating electricity load data using generative adversarial networks
Üretken rakip ağları kullanarak elektrik yükü verilerinin üretilmesi
- Tez No: 882071
- Danışmanlar: DR. ÖĞR. ÜYESİ OSMAN AKIN
- 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: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 47
Özet
Elektrik yük tahmini, modern enerji sistemi yönetiminde kritik bir öneme sahiptir ve kamu hizmetlerinin kaynakları verimli bir şekilde tahsis etmesini, şebeke kararlılığını sağlamasını ve enerji üretimini optimize etmesini sağlar. Elektrik talebinin doğru tahmin edilmesi, tüketici ihtiyaçlarını karşılarken işletme maliyetlerini ve çevresel etkileri en aza indirir. Günün saati, haftanın günü, hava koşulları ve özel etkinliklerin meydana gelmesi gibi çeşitli faktörler elektrik tüketim desenlerini etkiler. Bu çalışma, Generatif Yapay Zeka (Generative AI) kullanarak elektrik yük tahmini için öncü bir metodoloji sunar. Gelişmiş derin öğrenme mimarilerinden, özellikle Generatif AI tekniklerinden yararlanarak, önerilen model elektrik talebinin doğru tahminlerini sağlamayı amaçlamaktadır. Gerçek dünya elektrik yük veri setleri, Generatif AI tabanlı tahmin modelini eğitmek ve değerlendirmek için kullanılır. Modelin performansı, ortalama kare hatası, kök ortalama kare hatası (RMSE) ve ortalama kare hatası (MSE) gibi standart hata metrikleri kullanılarak titizlikle değerlendirilir. Bulgular, Generatif AI yaklaşımının doğru ve güvenilir elektrik yük tahminleri üretmedeki etkinliğini vurgulamaktadır.
Özet (Çeviri)
Electricity load forecasting is essential in modern power system management, enabling utilities to efficiently allocate resources, ensure grid stability, and optimize energy generation. Accurate forecasting of electricity demand meets consumer needs while minimizing operating costs and environmental impacts. Various factors affect electricity consumption patterns, such as time of day, day of the week, weather conditions, and the occurrence of special events. This study presents a pioneering methodology for electricity load prediction employing Generative Artificial Intelligence (Generative AI). By leveraging advanced deep learning architectures, specifically Generative AI techniques, the proposed model aims to provide accurate forecasts of electricity demand. Real-world electricity load datasets are utilized to train and evaluate the Generative AI-based prediction model. The model's performance is rigorously evaluated using standard error metrics such as mean squared error, root mean square error (RMSE), and mean square erro (MSE). The findings highlight the effectiveness of the Generative AI approach in generating precise and reliable electricity load predictions.
Benzer Tezler
- The investigation of the economical aspect of clean hydrogen production with small modular reactors
Nükleer enerji kullanımıyla temiz hidrojen üretiminin ekonomik olarak incelenmesi
EMRE SÖNMEZ
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. SENEM ŞENTÜRK LÜLE
- Dizel jeneratörlerin koherens fonksiyonu ile ses ve titreşim analizi
Sound and vibration analysis of diesel generators with coherence function
UĞUR ÖLMEZ
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEVRA BAYHAN
- Bina toplulukları için SDCA algoritması ile elektrik tüketimi tahmini: Selçuk Üniversitesi Kampüsü örneği
Electricity consumption forecast for building communities using SDCA algorithm: Selcuk University Campus case study
CANER KAÇAK
Yüksek Lisans
Türkçe
2025
EnerjiSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL NİHAL GÜĞÜL
- Short term electricity load forecasting based on the optimal architecture of hybrid neural network model
Hibrid sinir ağı modelinin optimal yapısına dayalı kısa süreli elektrik yükü tahmini
FIRAS AHMED
Yüksek Lisans
İngilizce
2017
Bilim ve TeknolojiTürk Hava Kurumu ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. SHADİ ALSHEHABİ
- Parallel evolutionary computation for distribution system planning and operation
Dağıtım şebekesi planlama ve işletmesi için paralel evrimsel algoritmalar
SOHEIL YOUNESI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDOĞAN ÖZDEMİR
DR. ÖĞR. ÜYESİ OGUZHAN CEYLAN