Geri Dön

A new forecasting system for electrical loads in the middle euphrates region using neural networks

Orta fırat bölgesindeki elektrik yükleri için yapay sinir ağları kullanarak yeni bir tahmin sistemi tasarımı

PDF İndir

  1. Tez No: 956882
  2. Yazar: MUDHER ABDULHADI
  3. Danışmanlar: PROF. DR. AHMET ZENGİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 85

Özet

Bu çalışma, ileri beslemeli sinir ağları (FNN'ler) ve uzun-kısa süreli bellek (LSTM) ağlarına odaklanarak Babylon bölgesinde elektrik yükü tahmini için yapay sinir ağı modelleri geliştirmeyi amaçlamaktadır. Yük tahmini, optimum kaynak tahsisi, doğru bakım planlaması ve enerji maliyetinin azaltılmasında yol gösterici bir rol oynayabileceğinden enerji kaynaklarının ve elektrik sistemlerinin yönetiminde çok önemlidir. Enerji sistemlerinin karmaşıklığı ve sürekli değişen talep göz önüne alındığında, yük tahmini büyük önem taşımaktadır. ARIMA gibi bazı istatistiksel yöntemler bazı durumlarda iyi performans gösterse de, geleneksel tahmin teknikleri değişkenler arasındaki doğrusal olmayanlıkları tam olarak yakalamaz. Öte yandan, özellikle derin öğrenmeye dayalı olan sinir ağları, tahmin doğruluğunu iyileştirmek için yararlı araçlar olduklarını kanıtlamıştır. Bu tez, elektrik yükü talebini tahmin etmek için bir tür yapay sinir ağı olan FNN ve LSTM'yi kullanmayı amaçlamaktadır. Bu araştırmada analiz edilen veriler, Ocak 2021'den Nisan 2024'e kadar olan dönemde Irak'ın Babil bölgesindeki 33/11 kV elektrik dağıtım istasyonlarından gelen yük verilerini içerir. Sıcaklık bilgileri ayrıca Accuweather, Wonderground ve Weather gibi güvenilir kaynaklardan toplandı. Yük ve hava durumu verileri, 2024 ve 2025 için elektrik yükünü tahmin etmek üzere belirli aylardaki talep dalgalanmalarının etkisine özel olarak odaklanılarak modele dahil edildi. Bu araştırmada kullanılan verilerin bir kısmı, sıcaklık kayıtlarına ek olarak aynı döneme ait aylık yük talebi kayıtlarını içerir. Yük verileri, bölgeye dağılmış çeşitli elektrik santrallerindeki enerji tüketiminden oluşur ve sıcaklık verileri, hava koşullarının enerji tüketimi üzerindeki etkisini anlamak için kullanılır. Veri temizliğinden sonra, veri kalitesi optimizasyon ve biçimlendirme yoluyla iyileştirildi. Birkaç aya ait veriler, maksimum ve minimum sıcaklıkları girdi olarak ve elektrik yükü talebini hedef olarak belirterek pandas kullanılarak tek bir veri çerçevesinde birleştirildi. Ayrıca, aykırı değerleri önlemek için hedef değerler budandı. MinMaxScaler gibi normalizasyon yöntemleri ve standardizasyon yöntemleri, giriş verilerini sinir ağı modeline ölçeklemek için kullanılır. Normalizasyon, özellikle nöronların eğitim sırasında birleşmesini sağlamak için önemlidir, bu nedenle özellik aralıklarını tekdüze hale getirmek için uygulanır. Modeli tasarlamak ve eğitmek için iki farklı yapay sinir ağı türü kullanıldı: ileri beslemeli sinir ağları (FNN'ler) ve uzun-kısa süreli bellek (LSTM'ler). Amaç, verileri mevcut doğasına göre analiz etmek ve sonuçları tahmin etmektir. En uygun modeli seçmek, veri yapısı, model doğruluğu ve eğitim verimliliği gibi çeşitli faktörlere bağlıdır. Yapay sinir ağı modelini oluşturmak için TensorFlow ve Keras kullanıldı. Model doğruluğunu sağlamak ve aşırı öğrenmeyi önlemek için, performansı izlemek ve optimizasyon durduğunda eğitimi durdurmak için erken durdurma kullanıldı. Birkaç eğitim döneminden sonra öğrenme oranını kademeli olarak azaltmak için bir öğrenme oranı zamanlayıcısı kullanıldı ve bu da eğitimi sabitlemeye yardımcı oldu. Adam optimize edicisi de kullanıldı. Veriler bir eğitim seti (%80) ve bir test seti (%20) olarak ayrıldı. Genelleştirmeyi artırmak ve eğitim verisi desenlerine olan bağımlılığı azaltmak için, bırakma katmanları gibi teknikler kullanıldı. Performans ayrıca öğrenme oranı, parti boyutu ve eğitim dönemi sayısı gibi hiperparametreler seçilerek de ayarlandı. Bu çalışmada kullanılan modelin tahmin doğruluğu, ortalama kare hatası (MSE), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hatası (MAPE) gibi metrikler kullanılarak test verileri üzerinde değerlendirildi. Bu metrikler, modelin görülmeyen verileri tahmin etme ve iyileştirme alanlarını belirleme yeteneğinin iyi bir göstergesidir. Ön sonuçlar, modelin elektrik yükü talebinin genel davranışını ay bazında değişen doğrulukla doğru bir şekilde yakalayabildiğini gösterdi. Örneğin, konut tesislerinde klima ünitelerinin kullanımının artması nedeniyle yaz aylarında, özellikle Temmuz ve Ağustos aylarında talepte bir artış gözlemlendi. Benzer şekilde, ısıtma sistemleri nedeniyle Ocak ve Şubat aylarında talep arttı. Ancak, daha düşük sıcaklıklarla Nisan, Mayıs, Ekim ve Kasım aylarında talep azaldı veya sabitlendi. Model, bu mevsimsel değişikliklere karşı yeterince hassastı ve modelin gelecekteki sürümlerine doğru hava durumu verilerinin dahil edilmesi ihtiyacını vurguladı. Sonuçlar, gerçek değerlerle yüksek derecede yakınsama gösterdi ve bazı aylarda iklim değişikliği nedeniyle değişiklikler ve yaz ve kış sıcaklıkları arasında önemli değişiklikler görüldü. Sıcaklıklar yazın yaklaşık 50°C'den kışın minimum 5°C'ye kadar değişiyordu. Test verisi değerlendirmesi yaklaşık 95.000'lik bir MSE ve %18'lik bir MAPE üretti. Uygulamadan sonra, FNN ve LSTM modelleri karşılaştırıldı, eğitim ve doğrulama sırasında kayıp eğrileri izlendi ve kayıp ve doğrulama grafikleri oluşturuldu. FNN modeli yoğun katmanlardan oluşur ve nispeten basit bir yapı (yaklaşık 11.521 parametre) ile sonuçlanır. Öte yandan LSTM modeli, sıralı verilere (LSTM ve yerleştirme gibi) ayrılmış katmanlar içerir ve bu da onu daha karmaşık hale getirir (yaklaşık 79.375 parametre). Bu karmaşıklık, zamansal veya metinsel veriler için uygunluğunu artırır, ancak FNN'ye kıyasla daha yüksek bir hesaplama maliyeti gerektirir. Bu sonuçlar, modelin oldukça doğru tahminler yapma yeteneğine sahip olduğunu ve hatanın daha düşük olması beklenen belirli aylarla genel eğilimleri izlemek için çok yararlı olduğunu göstermektedir. Ayrıca, model geliştirilirken ek faktörlerin dikkate alınması gerektiğini ve gelecekteki çalışmalarda daha karmaşık sinir ağı yapılarının kullanılmasının uzun zaman serilerini ele alma yetenekleri nedeniyle daha iyi sonuçlar verebileceğini vurgulamaktadır. Ekonomik göstergeler, enerji fiyatları ve tüketim kalıpları gibi farklı sektörlerden daha fazla değişkenin dahil edilmesi, talep modelini daha doğru hale getirecektir. Toplu tahminler üretmek için kullanılan toplama teknikleri, varyansı ve önyargıyı azaltarak daha güvenilir tahminler elde edilmesiyle sonuçlandığı için bireysel modellerden de üstündür.

Özet (Çeviri)

This study develops neural network models for electrical load forecasting in Babylon Governorate, Iraq, focusing on Feedforward Neural Networks (FNN) and Long Short-Term Memory (LSTM) networks. Load forecasting is essential for managing power supplies and systems because it can guide the optimal allocation of resources, planning the right time for maintenance and reducing energy costs among others. Load forecasting is of great importance due to the complexity of power systems and the variability in demand. Statistical methods such as ARIMA have been used in traditional forecasting techniques. Although they work well in some circumstances, they do not incorporate all non-linear structures between variables. To address this, neural networks, especially those based on deep learning, have proven useful tools by enhancing forecasting accuracy. This thesis aims to use“FNN and LSTM”, a form of artificial neural networks to forecast electrical load demand. The data analyzed in this research includes load data for 33/11 kV power distribution stations in Babil Governorate, Iraq, from January 2021 to April 2024. Temperature information was also collected from reliable sources such as Accuweather, Wunderground, and Weather. Load data and weather conditions were integrated into the model. The main activity is to forecast the electrical load for 2024 and 2025 with special attention to the effects of retaining fluctuations in demand during distinct months. Some of the data used in this research include monthly electrical load demand records as well as temperature records during the same period. The load data consists of energy consumption of several feeding stations located throughout the governorate, and temperature data is also used to understand the difference in energy use with the help of weather conditions. The first process was data cleaning and relevant data were formatted to improve data quality. MinMaxScaler and standardization methods were used where the data were normalized to scale for input into the neural network model. Normalization was applied, specifically, to make the ranges of all features equal because it is mandatory for the convergence of neurons during training. Model Design and Training, two different artificial neural network models were applied: the feedforward neural network (FNN) and the long short-term memory (LSTM) network. The aim is to analyze data and predict outcomes based on the nature of the available datasets. The selection of the optimal model depends on several factors, including data structure, model accuracy, and training efficiency. The FNN and LSTM models were compared, and loss and validation plots were constructed by tracing their respective loss curves during training and validation. The model was constructed, and model summaries were created. The FNN consists of dense layers with dropout regularization to prevent overfitting, resulting in a relatively lightweight architecture (approximately 11,521 parameters). However, the LSTM includes specialized layers for sequential data (such as LSTM and embedding), making it more complex (approximately 79,375 parameters). This complexity enhances its suitability for temporal or textual data but requires greater computational resources than the FNN. To validate and avoid overtraining the model, the Early Stopping technique was used to monitor the performance and stop training when the performance improvement stopped. The data obtained was divided into training and test datasets, where 80% of the data was trained and 20% was tested. Special methods, including the Dropout layer, were introduced to enhance the generality so that the model does not depend too much on the patterns in the training database. Moreover, hyperparameter tuning was also performed to fine-tune the“model performance,”including learning rate, batch size, and number of epochs. The prediction accuracy of the neural network model constructed in the present work was measured by Mean Square Error in the test data (MSE) Mean Absolute Error (MAE) and Mean Percent Absolute Error (MAPE). These metrics provide a good indicator to evaluate the model's ability to predict unseen data and identify areas that deserve further improvement. The first set of results indicated that the model captured the general behavior of the electrical load demand pattern but with varying degrees of accuracy in different months. For example, there were higher demands during the summer, especially in July and August, as people used more air conditioning in various residential facilities. Similarly, demand in the winter months of January and February was higher due to heating systems. However, as temperatures dropped in April, May, October and November, the modeled demand was observed to adjust or decline. The model was particularly sensitive to these seasonal differences, hence the need to incorporate correct weather data into subsequent versions. Our results show a large approximation to the true values, differences in some months due to climate change, and large differences between summer and winter temperatures; temperatures range from a maximum of around 50 degrees in summer to a minimum of 5 degrees in winter. This is a large difference. This resulted in the test data evaluation being an approximate MSE of 95,000, MAPE of 18% in the test data evaluation. This indicates that the model can highly accurately predict and is useful in capturing broader trends. There are certain months that it is expected to produce lower forecast errors, and more factors should be considered when developing the model. More complex neural network architectures should be included in future studies to obtain better results due to some advantages of processing long series. Including more variables across multiple sectors, such as economic indicators, energy prices and consumption patterns, would make the demand model more accurate. The techniques used to produce ensemble estimates are generally superior to individual models because they can reduce variance and bias and thus produce more reliable estimates. Although the model has been shown to perform well, work and development in this area always need to be developed to keep pace with the increase in electrical loads and human growth; the model can be improved by incorporating neural network structures such as recurrent neural network / long short-term memory (RNN/LSTM) that can handle time series such as electrical load demand. These structures could cope with long-term dependencies in the data, which is necessary for forecasting over a long period. Another recommendation is to try adding more variables, including standard of living, economic factors, energy costs and energy consumption rates by different residential, industrial and commercial sectors. The first set of results indicated that the model captured the general behavior of the electrical load demand pattern but with varying degrees of accuracy in different months. For example, there were higher demands during the summer, especially in July and August, as people used more air conditioning in various residential facilities. Similarly, demand in the winter months of January and February was higher due to heating systems. However, as temperatures dropped in April, May, October and November, the modeled demand was observed to adjust or decline. The model was particularly sensitive to these seasonal differences, hence the need to incorporate correct weather data into subsequent versions.

Benzer Tezler

  1. Tez No

    39680

    Elektrik enerji iletim şebekelerinin optimal genişletme planlaması

    Optimal expansion planning of power transmission networks

    NAZİF HÜLAGÜ SOHTAOĞLU

    Doktora

    Türkçe

    Türkçe

    1994

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. NESRİN TARKAN

  2. Tez No

    937178

    Akıllı dağıtım sistemlerinde talep yanıtına yeni bir yaklaşım

    A new approach to demand response in smart distribution systems

    MUSTAFA ŞEN YILDIZ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BEDRİ KEKEZOĞLU

    DR. ÖĞR. ÜYESİ KADİR DOĞANŞAHİN

  3. Tez No

    562691

    Akıllı şebekelerde yük yönetimi ve yük tahmini

    Load forecasting and load management in smart grid

    MEHMET ŞEFİK ÜNEY

    Doktora

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NURETTİN ÇETİNKAYA

  4. Tez No

    100948

    Yük tahmini yöntemleri ve Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. bölgelerine uygulanması

    Load forecasting methods and application of Çukurova Elektrik A.Ş., Kepez Elektrik T.A.Ş. regions

    EKREM GÜRSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. ADNAN KAYPMAZ

  5. Tez No

    499531

    Optimal active and reactive power dispatch in smart grid (Nature-inspired optimization algorithms based approach)

    Akıllı şebekelerde optimal aktiıf ve reaktif güç dağıtımı (Doğadan esinlenen optimizasyon algoritmaları tabanlı yaklaşım)

    GADDAFI SANI SHEHU

    Doktora

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NURETTİN ÇETİNKAYA

Geri Dön