Geri Dön

Enerji tüketimi tahmini için parçacık sürü optimizasyonu algoritması ile parametre iyileştirmeli sabit terimli gri verhulst modeli geliştirilmesi

Development of a parameter optimized grey verhulst model with constant term by using particle swarm optimization algorithm for energy consumption prediction

  1. Tez No: 910163
  2. Yazar: AYBALA HEPKAFADAR
  3. Danışmanlar: DOÇ. DR. GÜLBEN ÇALIŞ
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 151

Özet

Elektrik enerjisinin tüketim miktarı tahmininin doğru yapılması, enerjinin verimli kullanılmasını etkileyen bir unsurdur. Günümüzde elektrik tüketim miktarını tahmin etmek için kullanılan yöntemlerin çoğu başarılı tahmin değerleri elde edebilmek için büyük veri kümelerine ya da belirli sistem şartlarına ihtiyaç duymaktadır. Özellikle, verinin kısıtlı ve sistemin belirsiz olduğu durumlarda yüksek doğruluğa sahip tahmin modelleri kurmak zorlaşmaktadır. Bu çalışma kapsamında, sistem parametrelerinin bilginin derecelendirilmiş önemine göre belirlendiği, kısıtlı veri ile yüksek doğruluğa sahip elektrik enerjisi tüketimi tahmin modeli geliştirilmesi amaçlanmıştır. Bu amaçla, Sabit Terimli Gri Verhulst (GVMCT) modelinin tüketim tahmin değeri üzerinde etkili olan parametre değerinin optimizasyonu, üst sezgisel bir algoritma olan Parçacık Sürü Optimizasyonu (PSO) algoritması ile yapılmıştır. Bunun yanında, PSO algoritmasına ait üç adet algoritma katsayısı, sürü büyüklüğü ve işlem sayısı; Bayesian optimizasyon tekniği olan Gauss süreci regresyonu ile hiperparametre optimizasyonu yapılarak elde edilmiştir. Önerilen yeni GVMCT-PSO modelinin test edilmesi ve uygulaması, ilk değer eşitliği ve son değer eşitliği olarak iki farklı ön koşulun kabulü durumunda tahmin değeri üretmek üzere gerçekleştirilmiştir. Öncelikle, modelin test edilmesi için, Amerika Birleşik Devletleri Enerji Bilgi İdaresi tarafından hazırlanan, 1949-2018 yılları arasında Amerika Birleşik Devletleri'nde, üç farklı sektörde tüketilen yıllık elektrik enerjisi miktarını gösteren veri grubundan elde edilen sonuçlar değerlendirilmiştir. Önerilen modelin uygulaması ise; iki farklı ön koşulun (ilk değer eşitliği ve son değer eşitliği) kabulü durumunda, Türkiye İstatistik Kurumu tarafından hazırlanan 1995-2017 yılları arasındaki Türkiye Cumhuriyeti'nin sanayi, mesken ve ticari veri gruplarındaki yıllık elektrik tüketimi değerleri ile gerçekleştirilmiştir. Önerilen modelin performansı, ortalama kare hata (mean squared error - MSE) , ortalama mutlak hata (mean absolute error - MAE) ve kök ortalama kare hata (root mean squared error - RMSE) performans ölçütleri ile değerlendirilmiştir. Çalışmada, birinci dereceden bir bilinmeyenli gri model (GM(1,1)), gri Verhulst model (GV), sabit terimli gri Verhulst model (GVMCT) olmak üzere üç farklı gri model ve önerilen GVMCT-PSO modeli için performans ölçütü kriterler hesaplanıp bulgular karşılaştırılmıştır. Sonuçlar, GVMCT-PSO modelinin, iki farklı ön koşulda ve üç veri grubunda diğer üç gri modele göre daha başarılı olduğunu göstermektedir.

Özet (Çeviri)

The accurate prediction of electricity consumption is a crucial factor in ensuring the efficient use of energy. Currently, many methods used for predicting electricity consumption require large datasets or specific system conditions to achieve successful predictions. Particularly in cases where data is limited and the system is uncertain, developing high-accuracy prediction models becomes challenging. This study aims to develop a model for predicting electricity consumption with high accuracy using limited data by determining system parameters based on the graded importance of information. For this purpose, the optimization of the parameter values affecting the consumption prediction in the Grey Verhulst Model with Constant Term (GVMCT) was performed using the Particle Swarm Optimization (PSO) algorithm, a metaheuristic optimization technique. Additionally, three algorithm coefficients, the swarm size, and the number of iterations in the PSO algorithm were optimized using the Bayesian optimization technique, specifically Gaussian process regression. The proposed new GVMCT-PSO model was tested and applied to generate prediction values under two different initial conditions (initial value equality and final value equality). To test the model, results obtained from a dataset prepared by the United States of America Energy Information Administration, which includes annual electricity consumption data in three different sectors in the United States from 1949 to 2018, were evaluated. The application of the proposed model was conducted using the annual electricity consumption data from the industrial, residential, and commercial sectors in Turkey between the years 1995 and 2017, as prepared by the Turkish Statistical Institute, under the acceptance of the two different initial conditions (initial value equality and final value equality). The performance of the proposed model was evaluated using performance metrics such as mean squared error (MSE), mean absolute error (MAE), and root mean squared error (RMSE). In the study, the performance criteria were calculated and the findings compared for three different grey models; first order one variable grey model (GM(1,1)), grey Verhulst model (GV), grey Verhulst model with constant term (GVMCT) and the proposed GVMCT-PSO model. The results show that the GVMCT-PSO model outperforms the other three grey models in two different initial conditions and across three datasets.

Benzer Tezler

  1. Tez No

    801499

    Cluster based routing by using MFO meta-heuristic algorithm

    MFO meta- sezgisel algoritma kullanarak küme tabanlı yönlendirme

    RUWAIDA MAMOORI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HASAN HÜSEYİN BALIK

  2. Tez No

    726855

    Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  3. Tez No

    910368

    Model-free load frequency control in isolated microgrids based on reinforcement learning

    İzole mikroşebekelerde pekiştirmeli öğrenmeye dayalı model bağımsız yük frekans kontrolü

    AMJAD MUNEIM MOHAMMED

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FATMA YILDIZ TAŞCIKARAOĞLU

  4. Tez No

    421065

    A methodology for energy optimization of buildings considering simultaneously building envelope HVAC and renewable system parameters

    Binalarda yapı kabuğu, mekanik sistemler ve yenilenebilir enerji sistemleri parametrelerinin eş zamanlı enerji optimizasyonu için bir yöntem

    MELTEM BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. AYŞE ZERRİN YILMAZ

    PROF. DR. MARCO PERINO

  5. Tez No

    352097

    Metasezgisel algoritmalar tabanlı enerji talep optimizasyonu

    Energy demand optimization based on metaheuristic algorithms

    EMRE ELMACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ŞEKKELİ

Geri Dön