Clustering based deep learning strategy for the short-term load aggregate load forecasting for smart grids
Akıllı şebekeler için kısa vadede yük toplam yük tahmini için kümeleme tabanlı derin öğrenme stratejisi
- Tez No: 732510
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: ARIMA, Akıllı ev, Akıllı şebekeler, Kümeleme, Tahmin, Yük tahmini, ARIMA, Intelligent house, Intelligence networks, Clustering, Estimation, Load forecasting
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kısa vadeli yük tahmini, bir akıllı evin kamu sektörü tarafından oluşturulan bir talep yanıtı olayına katılıp katılmayacağını belirlemede büyük önem taşır. Ancak, akıllı evlerin enerji tüketiminde yer alan düzensizlik ve belirsizlik, tahminler için zorluklar yaratmaktadır. Ek olarak, gelecekteki akıllı şebeke senaryolarının talep yanıtı programlarında çok sayıda akıllı ev olduğu göz önüne alındığında, her ev için benzersiz bir tahmin aracı tasarlamak ve onu sürekli güncellemek, büyük veri ile ilgili zorluklarla karşılaşır ve ekonomik olarak uygulanabilir bir yaklaşım olmayabilir. Bu sorunları çözmek için ARIMA, MLP ve LSTM olmak üzere üç farklı metodoloji ve farklı model konfigürasyonları kullanılıyor. Önerilen metodolojiler Akıllı Şebeke Akıllı Şehir (Smart Grid Smart City) veri seti üzerinde test edilmiş ve en fazla sayıda müşterinin mevcut olduğundan emin olmak için tarih seçilmiş, ardından k-ortalama kümelemesi kullanılarak evler kapsamlı bir bilgilendirici özelliklerine göre kümeler halinde gruplandırılmıştır. Tek bir tahminciye sahip olmak yerine, her kümenin kümenin genel tüketim tahmini için rekabet eden bir tahminci havuzu vardır. Ardından, nihai genel tüketim tahminine ulaşmak için bir araya getirilirler. Toplam düzeyde tahmin doğruluğunu düzgün bir şekilde ölçmek için ölçekten bağımsız ve sıfıra yakın değerlere dayanıklı RMSE ve MAE gibi değerlendirme metrikleri kullanıldı.
Özet (Çeviri)
Short-term load forecasting is of great importance in determining whether a smart home (SH) will participate in a Demand Response (DR) event created by the utility operator. However, volatility and uncertainty involved in energy consumption of SHs poses difficulties for their forecasting. Additionally, given the large number of SHs in DR programs of future smart grid scenarios, designing a unique predictor for each SH and constantly updating it faces big-data related challenges and may not be an economically viable approach. To tackle these issues, we evaluate three different methodologies, which are ARIMA, MLP and LSTM and different configurations of models are used. The proposed methodologies are tested on Smart Grid Smart City dataset and the date is picked to ensure that the greatest number of customers are available, after that, using k-means clustering the houses are grouped into clusters according to their informative features obtained from an extensive statistical analysis. Instead of having one predictor, each cluster has a pool of predictors that compete for the cluster's overall consumption forecast. Then they're added together to reach the final overall consumption forecast. We use evaluation metrics such the RMSE and MAE, which are scale-independent and robust to values near zero, to properly measure predicting accuracy at the aggregated level.
Benzer Tezler
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Etiketsiz metin verisinin analizinde derin öğrenme yaklaşımı
A deep learning approach for the analysis of unlabeled text data
BÜŞRA AYAN PARTAL
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN