Yapay zekâ yöntemleri ile kısa dönemli yük tahmini
Short term load estimation with artificial intelligence methods
- Tez No: 666347
- Danışmanlar: DR. ÖĞR. ÜYESİ İLKER ALİ ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güç sistemlerinin verimli çalışmasında ve gelecek planlamada, elektrik yük tahmini çok önemlidir. Yük tahmini, geçmişteki koşulları inceleyerek gelecekteki elektrik yükünün tahminine dayanır. Günlük veya saatlik elektrik tüketimi verileri genellikle kısa vadeli yük tahmini için kullanılmaktadır. Bu çalışmada, Türkiye'nin dört yıllık günlük elektrik enerjisi tüketim verileri kullanarak kısa vadeli yük tahmin modellemesi yapılmıştır. Bu modellemede geçmiş elektrik yük değerleri ve sıcaklık değerleri giriş olarak kullanılmıştır. Öngörü doğruluğunu arttırmak için günlerin karakteristik özelliklerine göre kategorilendirilmesi ve mevsimlere göre sınıflandırılması yapılmıştır. Çalışmada MAPE değerleri hesaplanmıştır. YSA ile geliştirilen modellerden en iyi MAPE değeri %2,51 ve en kötü MAPE değeri %4,48 olarak elde edilmiştir. Sezon kriteri eklendiğinde daha başarılı MAPE değeri elde edilmiştir.
Özet (Çeviri)
Electric load estimation is very important in efficient operation of power systems and future planning. Load estimation is based on estimating the future electrical load by examining past conditions. Daily or hourly electricity consumption data are generally used for short term load estimation. In this study, Turkey's four-year, short-term load forecasting modeling was done using daily electricity consumption data. In this modeling, past electrical load values and temperature values are used as input. In order to increase the prediction accuracy, the days were categorized according to their characteristics and classified according to the seasons. MAPE values were calculated in the study. Among the models developed with ANN, the best MAPE value was obtained as 2.51% and the worst MAPE value was 4.48%. When the season criterion is added, a more successful MAPE value was obtained.
Benzer Tezler
- Short term load forecasting by using artificial neural networks
Yapay sinir ağları kullanılarak kısa dönemli yük tahmini
ALI GHADIRIASL NOBARI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY
- Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi
Load forecasting and decision support system for electric vehicles use
HATİCE MENEKŞE KÖSEMEN
Yüksek Lisans
Türkçe
2024
EnerjiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti
Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods
NURDOĞAN CEYLAN
Doktora
İngilizce
2023
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEZGİN KAÇAR
- Türkiye'nin kısa dönemli saatlik bazda elektrik tüketiminin yapay zeka teknikleri kullanılarak tahmin edilmesi
Short-term electricity load forecasting of Turkey using artificial intelligence technics
VOLKAN ATEŞ
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT LÜY
DOÇ. DR. NECAATTİN BARIŞÇI