Geri Dön

Machine learning-based energy consumption forecastingfor stores in a shopping center - A case study

Alışveriş merkezindeki dükkânların enerji tüketimininmakine öğrenmesiyle tahmini - Vaka çalışması

PDF İndir

  1. Tez No: 894347
  2. Yazar: NADIA AHBAB
  3. Danışmanlar: ÖĞR. GÖR. MUSTAFA BERKER YURTSEVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Enerji Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

Kısa vadeli güç yükü tahmini, enerji yönetiminin önemli bir bileşenidir ve gelecekteki enerji talebini tahmin etmek için kullanılan bir süreçtir. Bu tahminler, elektrik sistemlerinin güvenli ve etkin bir şekilde çalışmasını sağlamak, enerji tüketimini optimize etmek ve kaynakların verimli bir şekilde kullanılmasını sağlamak için büyük öneme sahiptir. Kısa vadeli güç yükü tahmini, enerji tedarikçilerinin ve işletmelerin enerji üretimini, dağıtımını ve tüketimini planlamalarına yardımcı olurken, aynı zamanda enerji sistemlerinin kararlılığını ve güvenilirliğini sağlamak için de kullanılır. Enerji talebinin doğru tahmin edilmesi, enerji şirketlerinin ve elektrik dağıtım sistemlerinin yeterli kaynakları sağlamalarına yardımcı olur. Doğru tahminler, enerji üretim ve dağıtım altyapısının etkin bir şekilde yönetilmesini ve planlanmasını sağlar. Böylece, enerji kaynaklarının israfının önüne geçilir ve enerji sistemlerinin verimliliği artar. Kısa vadeli güç yükü tahmini, çeşitli yöntemler ve teknikler kullanılarak gerçekleştirilebilir. Geleneksel yöntemler arasında otoregresif entegre hareketli ortalama modeli (ARIMA), regresyon analizi ve zaman serisi analizi bulunur. Ancak, son yıllarda makine öğrenimi tabanlı yöntemlerin kullanımı yaygınlaşmıştır. Makine öğrenimi yöntemleri, büyük miktarda veri kullanarak karmaşık ilişkileri ve desenleri tanımlayabilir ve tahminlerde daha yüksek doğruluk sağlayabilir. Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Long Short- Term Memory Network (LSTM) ve Gated Recurrent Unit Network (GRU) gibi makine öğrenimi algoritmaları, kısa vadeli güç yükü tahmininde sıklıkla kullanılan popüler yöntemlerdir. Enerji yönetimi, binaların enerji tüketimini kontrol altına almayı ve optimize etmeyi amaçlayan bir süreçtir. Binalar, toplam enerji tüketiminin büyük bir bölümünü oluşturur ve enerji verimliliği, sürdürülebilirlik ve maliyet tasarrufu açısından büyük potansiyel barındırır. Doğru enerji yönetimi ve güç yükü tahmini, binaların enerji tüketimini etkin bir şekilde izlemek, gereksiz enerji israfını önlemek ve enerji verimliliğini artırmak için önemlidir. Binalarda doğru tahmin ve enerji yönetimi, çeşitli avantajlar sunar. Öncelikle, enerji yönetimi sayesinde enerji tüketimini optimize etmek mümkün olur. Enerji talebinin doğru tahmin edilmesi, binaların enerji ihtiyaçlarına göre üretim ve tüketim dengesini sağlamalarını sağlar. Bu da enerji maliyetlerinin düşürülmesine ve bütçe tasarrufuna yardımcı olur. Ayrıca, doğru güç yükü tahmini, enerji talebinin zaman içindeki değişikliklerini anlamak için önemlidir. Binaların enerji tüketimi, farklı saatlerde ve günlerde değişiklik gösterebilir. Örneğin, iş saatlerinde bir ofis binasının enerji talebi daha yüksek olabilirken, gece saatlerinde enerji tüketimi daha düşük olabilir. Doğru tahminlerle, enerji talebi dalgalanmalarını önceden tahmin etmek mümkün olur ve enerji kaynaklarının etkin bir şekilde yönetilmesi sağlanır. Enerji yönetimi ayrıca çevresel sürdürülebilirliği destekler. Binaların enerji tüketiminin optimize edilmesi, enerji kaynaklarının daha verimli kullanılmasını sağlar ve çevresel etkileri azaltır. Sürdürülebilir enerji yönetimi uygulamaları, yenilenebilir enerji kaynaklarının kullanımını teşvik eder ve karbon ayak izini azaltır. xx ii Son olarak, doğru güç yükü tahmini, enerji talebini karşılamak için enerji üretim ve dağıtım sistemlerinin planlanmasında da önemlidir. Enerji talebi tahminleri, enerji sağlayıcılarının üretim kapasitelerini ayarlamalarına ve enerji dağıtımını optimize etmelerine yardımcı olur. Bu da enerji sistemlerinin verimli ve güvenli bir şekilde çalışmasını sağlar. Bu nedenlerle, doğru güç yükü tahmini ve enerji yönetimi, binaların enerji verimliliğini artırmak, maliyetleri düşürmek, çevresel sürdürülebilirliği desteklemek ve enerji sistemlerinin etkin bir şekilde yönetilmesini sağlamak için önemlidir. Bu amaçla, bu yüksek lisans tezi, bir alışveriş merkezinin elektrik tüketimi için kısa vadeli elektrik yük talebi tahmininde doğru makine öğrenimi modelleri oluşturmayı amaçlamaktadır. Makine öğrenimi algoritmalarının doğru tahminler yapabilmesi için model eğitimi için yeterli veri kümesine sahip olmak hayati öneme sahiptir. Veri seti, alışveriş merkezi içindeki sensörlere bağlı olarak toplanan elektrik tüketimi, güç tüketimi ve iç ve dış sıcaklık okumalarını içermektedir. Veri, hava koşullarının en fazla etkili olduğu yaz döneminde, iki aylık bir süre boyunca toplanmıştır. Tüketim verileri zaman temelli olarak dakika aralıklarıyla kaydedilmiştir, sıcaklık okumaları ise saatlik aralıklarla, tam saatlerde alınmıştır. Alışveriş merkezi genellikle saat 09:00'da açılır ve akşam 22:00 ile 23:00 arasında kapanır. Yük verileri, Temmuz-Ağustos dönemi boyunca, özellikle yaz mevsiminde, orta vadeli bir süre boyunca toplanmıştır. Bu dönemde, merkezin çalışma saatlerinde iç mekân sıcaklığını düşürmek için günlük olarak klima (AC) ünitesi çalışmaktadır. Veri setleri, önişleme yapılmış, temizlenmiş ve analiz için hazır hale getirilmiştir. Verileri işlemek için Jupyter Notebook 6.5.2 ve Python 3.9.15 kullandım. Veri analizi ve manipülasyonunda basitliği, gücü ve esnekliği ile bilinen açık kaynaklı bir kütüphane olan Pandas 1.5.2 kullanıldı. Pandas özellikle Python programlama dili için tasarlanmıştır. Son veri seti, 2 aylık kayıtlardan (satırlar) ve 6 özellik değişkeninden (sütunlar) oluşuyor ve boyutu (1488, 6) şeklindedir. Toplanan veriler, 62 günlük bir süre boyunca saatlik sıklıkla toplanmış olup, toplamda 1.488 veri noktasını içeren bir veri seti oluşturuyor. Veri setimizdeki eksik veriler, veri toplama cihazının alışveriş merkezi kapalı olduğu saatlerde kapatılmış olmasından kaynaklanabilir. Bu eksik değerleri düzeltmek için uygun değerlerle doldurmak gerekmektedir. Özellikle aktif güç ve iç mekan sıcaklığı, alışveriş merkezi kapalı olduğunda NaN olarak kaydedildiğinden, her ikisi de aynı sayıda eksik değere sahiptir. Ayrıca, yapay sinir ağı (ANN), k-en yakın komşu (KNN), uzun kısa vadeli bellek (LSTM), aşırı gradyan artırma (XGBoost) ve otoregresif entegre hareketli ortalama (ARIMA) gibi altı güçlü tahmin yöntemi kullanılmıştır. Bu yöntemler, kısa vadeli yük tahmininde (STLF) oluşan doğrusal olmayan sorunları çözmek için popüler metotlar arasındadır. Modeller, %80 eğitim verisi ve %20 test verisi içeren günlük bir eğitim veri seti kullanılarak değerlendirilmiştir. Sonuçlar, LSTM modelinin diğer modellere kıyasla yüksek bir doğrulukla 95% eğitim ve 94% doğrulama doğruluğu ile başarı gösterdiğini göstermektedir. İncelenen modeller arasında, LSTM modeli ANN, KNN, XGBoost ve ARIMA modellerine kıyasla üstün performans sergilemiştir. LSTM modeli, tahmin doğruluğu açısından daha yüksek bir başarı elde etmiştir. Ayrıca, karşılaştırma amacıyla mevsimsel otoregresif entegre hareketli ortalama (SARIMA) modelini de dahil ettik. SARIMA modeli, yük tahmininde etkinliğini gösteren mükemmel eğitim ve test Rkare değerleri sunmuştur. Ancak, geniş çapta kullanılan bir zaman serisi analizi yaklaşımı olan ARIMA modeli, diğer modellere kıyasla daha düşük bir doğruluk xx iii sergilemiştir. Yük tahmini performansını artırmak için daha fazla parametre ayarlamasına ihtiyaç duyulabilir. Bu çalışma, LSTM modelinin yük tahmininde son derece etkili olduğunu göstermektedir. Bu bulgular, önerilen LSTM modelinin yük tahminindeki etkinliğini vurgulamaktadır. Her modelin parametrelerini optimize etmek için kullanılan denemeyanılma süreci, modellerin performansını önemli ölçüde etkilemiş ve doğruluğu artırmıştır. Genel olarak, bu çalışma, LSTM modelinin üstün performansını göstererek yük tahmin alanına katkıda bulunmuş ve farklı tahmin tekniklerinin doğruluğu üzerinde parametre seçiminin etkisine dair önemli bilgiler sunmuştur.

Özet (Çeviri)

Short-term power load forecasting plays a crucial role in the management of power systems. It serves as the foundation for network structure planning, electricity trading, and load scheduling. The accuracy of power load forecasting directly impacts the security, stability, and economic efficiency of the power system. Accurate short-term load forecasting (STLF) is particularly important for the planning and commitment of power plant units. It helps mitigate the uncertainty introduced by the intermittent generation of renewable sources. In today's world, economic growth heavily relies on the availability of electric energy, as societies, industries, and economies are highly dependent on its continuous use. Therefore, having a reliable, affordable, and uninterrupted energy source is of utmost economic significance. Electric load forecasting plays a vital role in ensuring that utilities can meet the energy needs of consumers. To accomplish this, a team of trained professionals is required to carry out this specialized task. Load forecasting encompasses predicting the future load on a specific system over a defined period. These predictions can range from fractions of an hour for operational purposes to up to 20 years into the future for planning purposes. The objective of this master's thesis is to use accurate machine learning models for shortterm electric load demand forecasting in the context of a store in a shopping center. The load data used in this study was collected over a mid-term duration from July to August 2022, specifically during the summer season. Throughout this period, the air conditioning (AC) unit operated daily to maintain indoor temperatures during the center's working hours. The datasets were collected from a store in a shopping center in Istanbul, Turkey, preprocessed, cleaned and prepared to analysis. Furthermore, I utilize six powerful forecasting techniques: artificial neural network (ANN), k-nearest neighbors (KNN Regression), long short-term memory (RNN-LSTM), extreme gradient boosting (XGBoost), and autoregressive integrated moving average (ARIMA) to overcome nonlinear problems in short-term load forecasting (STLF). The models were evaluated using an everyday training dataset consisting of 80 % training data and 20 percent testing data. The results indicates that the LSTM model outperforms in a high accuracy in comparison to other models with accuracy of 95 % in training and 94% in validating. The study shows that the LSTM model is highly effective in load forecasting. The optimization of model parameters (hyperparameter tuning) through trial and error greatly improved accuracy. These findings contribute to load forecasting by highlighting the superior performance of the LSTM model and the importance of parameter selection for accurate predictions.

Benzer Tezler

  1. Tez No

    812322

    Makine öğrenmesi algoritmaları kullanılarak 2040 yılına kadar Türkiye'nin enerji talep tahmini

    Turkey's energy demand forecast until 2040 using machine learning algorithms

    HAKAN ERDEMCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER ALİ KARAMAN

  2. Tez No

    909110

    Tokat gaziosmanpaşa ünıversitesi hastanesi için hibrit derin öğrenme (CNN-LSTM) modeli ile enerji talep tahminlemesi

    Energy demand forecasting for tokat gaziosmanpaşa university hospital with hybrid deep learning (CNN-LSTM) model

    ORHAN YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZAFER DOĞAN

  3. Tez No

    752250

    Machine learning based energy-efficient indoor positioning for mobile internet of things

    Mobil nesnelerin interneti için makine öğrenimine dayalı enerji verimli iç mekanda konumlandırma

    ALPER SAYLAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiYaşar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. VOLKAN RODOPLU

    PROF. DR. CÜNEYT GÜZELİŞ

  4. Tez No

    845924

    Akıllı ev sisteminde derin öğrenme tabanlı enerji tüketim tahmini

    Deep learning-based energy consumption prediction in smart home system

    BİRCE DAĞKURS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL ATACAK

  5. Tez No

    828927

    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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

Geri Dön