Yapay sinir ağları ve makine öğrenme yöntemleriyle V2G alt yapsına yönelik şebeke talep tahmin sistemi geliştirilmesi
Development of a grid demand forecasting system for an integrated V2G infrastructure using artificial neural networks and machine learning methods
- Tez No: 935270
- Danışmanlar: DOÇ. DR. AHMET KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İSTANBUL NİŞANTAŞI ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 123
Özet
Bu tezin amacı, makine öğrenmesi (MÖ) ve yapay sinir ağları (YSA) gibi tahminleme konusunda son yıllarda büyük başarılar elde etmiş olan yöntemlerden faydalanarak elektrikli araçlar (EA) ve araçtan şebekeye (V2G) sistemleri üzerinden şebeke enerji talep tahminlerinin yapılmasını mümkün kılmaktır. Elektrikli araçların hızla artan kullanımı ve şebeke sistemlerine entegrasyonunun önem kazanmasıyla, bu çalışma, elektrikli araç kullanıcılarının şebekedeki enerji talebine bağlı olarak araçtan şebekeye (V2G) sistemini kullanarak şebekenin yükünün rahatlatilmasi ve kullanici icin en uygun kullanım zamanin belirlenmesini sağlamaktır. Aynı zamanda, enerji tedarik şirketlerinin bu talep değişimlerini daha doğru şekilde öngörerek, talebe dayalı, daha verimli ve sürdürülebilir enerji tedarik planlaması yapmalarını sağlamayı amaçlamaktadır. Elektrikli araçların şebeke enerji talepleri ile entegrasyonu, şebeke yönetiminde yeni fırsatlar yaratmakta ve bu entegrasyonun doğru bir şekilde yönetilmesi, enerji arzı ve talebi arasındaki dengeyi sağlamak açısından kritik öneme sahiptir. Enerji talep tahminlerinin doğruluğu, sadece enerji yönetimini iyileştirmekle kalmaz, aynı zamanda sürdürülebilir enerji üretimi ve tüketimi için de büyük fırsatlar sunar. Bu tezde, yapay sinir ağları ve makine öğrenme yöntemleri kullanılarak elektrikli araçların şebeke enerji talepleri üzerindeki etkisi kapsamlı bir şekilde analiz edilecek, V2G aracılığıyla elektrikli araç kullanıcılarının, şebeke talep değişimlerinden nasıl fayda sağlayabileceği ve ekonomiye katkıda bulunabilecekleri detaylı bir biçimde incelenecektir. Bunun yanı sıra, bu sistemin enerji tedarik şirketleri için nasıl stratejik bir avantaj yaratabileceği ve enerji yönetiminde ne tür optimizasyonlar sağlanabileceği de ele alınacaktır.
Özet (Çeviri)
The aim of this thesis is to enable grid energy demand forecasting through electric vehicles (EVs) and vehicle-to-grid (V2G) systems by utilizing methods such as machine learning (ML) and artificial neural networks (ANNs), which are achieved significant success in prediction in recent years. With the rapid increase in the use of electric vehicles and the growing importance of their integration into grid systems, this study aims the grid's load through the use of the vehicle-to-grid (V2G) system based on the energy demand of electric vehicle users, and to determine the most optimal usage times for the users. Additionally, it aims to enable energy supply companies to forecast these demand fluctuations more accurately, allowing them to develop demand-based, more efficient, and sustainable energy supply planning. The integration of electric vehicle grid energy demands creates new opportunities in grid management, and managing this integration correctly is critical in maintaining the balance between energy supply and demand. The accuracy of energy demand forecasting not only improves energy management but also offers significant opportunities for sustainable energy production and consumption. In this thesis, the impact of electric vehicles on grid energy demand will be comprehensively analyzed using artificial neural networks and machine learning methods. It will also examine in detail how electric vehicle users can benefit from grid demand fluctuations through V2G and contribute to the economy. Furthermore, it will address how this system can create a strategic advantage for energy supply companies and what types of optimizations can be made in energy management.
Benzer Tezler
- Zaman serisi verilerinin derin yapay sinir ağları ile analizi ve eniyilemesi: Finansal tahmin algoritmaları
Analysis and optimization of the time series data with deep artificial neural networks: Financial estimation algorithms
ÖMER BERAT SEZER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET MURAT ÖZBAYOĞLU
- Edirne ilinin ayçiçeği üretim miktarının makine öğrenme yöntemleriyle tahmini
Estimation of sunflower production amount of Edirne province by machine learning methods
OLCAY EYDEMİR
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEMRA BORAN
- Predicting heart diseases by using machine learning methods
Makine öğrenme yöntemleriyle kalp hastalıklarını tahmin etme
ASHRAF M. SAIED BENZREIG
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. EROL ÖZÇELİK
- Dicle havzasında yağış-akış ilişkisinin makine öğrenme yöntemleriyle belirlenmesi
Determination of rainfall-runoff relationship in Tigris basin with machine learning methods
SELMİN DERE
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ŞİMŞEK
- Makine öğrenme yöntemleriyle Fırat havzasındaki sediment konsantrasyonunun tahmin edilmesi
Estimate the sediment concentration in the Euphrates basin using machine learning methods
YUNUS EMRE GÜN
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ŞİMŞEK