Enerji sistemlerinde makine öğrenmesi ile güç tüketim tahmini
Power consumption prediction with machine learning in energy systems
- Tez No: 883270
- Danışmanlar: DR. ÖĞR. ÜYESİ YURDAGÜL BENTEŞEN YAKUT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Türkiye'de artış gösteren nüfus ve üretime dayalı ekonomik faaliyetlerin yanında yüksek teknolojik araçların kullanımında gerekli olan enerji talepleri hızla artmaktadır. Bu talepleri karşılamak için, tüm dünyada olduğu gibi Türkiye'de de elektrik enerjisi öne çıkmaktadır. Tüketiciye ulaştırılma kolaylığı, çevreyle ilgili zararlarının daha az olması nedeniyle tercih edilen bu enerji türündeki depolama sorunları nedeniyle arz-talep dengesi dikkate alınarak doğru planlanmış miktarda üretiminin yapılma zarureti bulunmaktadır. Elektrik enerjisi talebinin eş zamanlı ve kesintisiz olarak karşılanma gerekliliğinden dolayı elektrik arzı üzerine yapılan geleneksel tahminleme modellerine alternatif olarak veri madenciliği teknikleri kullanılmaya başlamıştır. Veri madenciliği sayesinde eldeki verilerden daha anlamlı bilgiye ulaşıldığı birçok çalışmada görülmüştür. Bu tez çalışmasında farklı 4 makine öğrenmesi yöntemi kullanılarak Diyarbakır il merkezinde yer alan alışveriş merkezinin elektrik enerjisi tüketim tahmini amaçlanmıştır. Çalışmamıza konu olan alışveriş merkezinin toplam 2027 günlük (5 yıl, 6 ay, 19 gün) aktif tüketim verileri kullanılarak makine öğrenmesi yöntemleri ile enerji tüketim değişiminin tahmini amaçlanmıştır. Çalışmada kullanılan aktif tüketim miktarı saatlik ölçülerek 2027x24= 48648 boyutunda veri seti elde edilmiş olup gerekli onaylar Dicle Elektrik Dağıtım A.Ş.' den alınmıştır. Enerji aktif tüketiminin tahmini için 1D-CNN, RNN, LSTM ve BiLSTM olmak üzere dört farklı derin ağ modeli geliştirilmiştir. Söz konusu geliştirilen modellerin özellikle tekrarlayan sinir ağları yapısındaki modeller aynı ölçütlerde eğitime tabi tutularak birbirleri arasındaki performans değerleri karşılaştırılmıştır. Tüm uygulamalar 10 kez tekrar edilerek en yüksek performansa sahip olan değerler kayda alınmıştır. Önerilen modellerin performansı RMSE, MAE ve R^2 ölçütlerine göre değerlendirilmiştir. Farklı mimarilerin önerildiği çalışmada, test veri setine göre determinasyon katsayısı dikkate alındığında tekrarlayan sinir ağlarının başarım performans aralığının [92,17%, 93,63%] bant aralığında olduğu ve önerilen modeller ile belirli düzeyde başarımın elde edildiği gözlemlenmiştir. Tekrarlayan sinir ağlarında başarımların birbirine yakın performans sergiledikleri ve bunların içinde en iyi performansın BiLSTM modelinde ünite-düğüm sayısı 100 olan mimaride elde edildiği görülmüştür. Önerilen mimarilere göre 1D-CNN'in tekrarlayan sinir ağlara göre daha düşük bir performans sergilediği görülmüştür. 1D-CNN mimarisinin geliştirilerek başarımının artırılabileceği düşünülmektedir.
Özet (Çeviri)
In addition to the increasing population and production-based economic systems in Turkey, the energy demands required for the use of high-tech tools are increasing rapidly. To meet this outage, electrical energy comes to the fore in Turkey, as in the rest of the world. Due to storage problems in this type of energy, which is preferred due to its ease of delivery to the consumer and less environmental damage, there is a necessity to not record the supply-demand distribution and not to produce correctly planned amounts. Due to the need to constantly and continuously meet the demand for electrical energy, data mining techniques have begun to be applied as an alternative to traditional forecasting models on electricity supply. Thanks to data mining, many signs of more meaningful impacts were seen from the data available. In this thesis study, it is aimed to estimate the electrical energy consumption of a shopping center located in Diyarbakır city center using 4 different machine learning methods. It was aimed to estimate the change in energy consumption with machine learning methods, using a total of 2027 days (5 years, 6 months, 19 days) of active consumption data of the shopping center that is the subject of our study. The active consumption amount used in the study was measured hourly and 2027x24=48648 data set was obtained and the necessary approvals were obtained from Dicle Electricity Distribution Inc. Four different deep network models have been developed for the prediction of energy active consumption: 1D-CNN, RNN, LSTM and BiLSTM. The performance values of the developed models in question, especially those with a recurrent neural network structure, were trained with the same criteria and their performance values were compared. All applications were repeated 10 times and the highest performance values were recorded. The performance of the proposed models was evaluated according to RMSE, MAE and R^2 criteria. In the study where different architectures were proposed, it was observed that the performance performance range of recurrent neural networks was in the band range of [92,17%, 93,63%] and was within a certain range, considering the coefficient of determination according to the test data set. The performance level has been reached with the proposed models. It has been observed that the performances in recurrent neural networks are close to each other and the best performance among them is obtained in the 100-unit node architecture in the BiLSTM model. According to the proposed architectures, it has been observed that 1D-CNN has lower performance than recurrent neural networks. It is thought that performance can be increased by improving the 1D-CNN architecture.
Benzer Tezler
- Güç sistemlerinde yenilenebilir enerjiye dayalı rezerv optimizasyonu
Reserve optimization based on renewable energy in power systems
SERDAL ATİÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN İZGİ
DOÇ. DR. MEHMET RIDA TÜR
- Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi
Examination of the effects of distributed generation on smart grids
MİKAİL PÜRLÜ
Doktora
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Enabling adaptive road lighting through lighting class prediction with real time and historical data
Gerçek zamanlı ve geçmiş veriye dayanan aydınlatma sınıfı tahmini ile uyarlanabilir yol aydınlatmasının sağlanması
HASAN MERT TOKGÖZ
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ