Load balance forecasting based on hybrid deep neural network
Hibrit derin sinir ağına dayalı yük dengesi tahmini
- Tez No: 752735
- Danışmanlar: DR. ÖĞR. ÜYESİ NEZİHE YILDIRAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Makine öğrenmesi, Sinir ağları, Uzun kısa süreli bellek, Yük tahmini, Machine learning, Nerve net, Long- short term memory, Load forecasting
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günlük hayatımızda paha biçilmez bir görevi yerine getiren verimli ve temiz bir güç kaynağına atıfta bulunan ve Elektrik yükü tahmini (ELF) olarak bilinen temel bir işlem olan elektrik terimi, elektriğin tanımlanmasındaki önemi nedeniyle gerçekleştirilmektedir. Elektriğin kapasitesinin programlanmasında ve güç sistemlerinin yönetilmesinde belirleyici bir rol oynayan üretim yük tahmini, her zaman arz ve yük talebi arasında bir denge kurmak için gereken gücü veya enerjiyi tahmin etmek için güç sağlayıcı şirketlerinin kullandığı tekniktir. Elektrik yükü tahmini için doğru bir tahmin çok önemlidir ve doğru tahmin kaynakların kullanımını azaltırken, elektrik gücü, emek ve zamandan tasarruf sağlar. Bu tez, derin öğrenme kavramına dayanan bir modelin sağlandığı elektriğin yük dengesi tahmini için doğru ve verimli bir teknik sağlar. İlk olarak elde edilen veri seti, biri önerilen tahmin modelinin eğitimi için, diğeri ise doğrulama ve test için kullanılan iki alt kümeye ayrılır. İki yıl sonraki yük tahminini tahmin etmek için, beş katmandan oluşan, LSTM'den ve yoğun katmanlardan oluşan bir hibrit derin ağ önerilmiştir. Deneysel sonuçlar, elektrik gücü tüketiminin yük dengesi tahmini için yüksek bir tahmin oranı gösterir ve tahmin doğruluğunu değerlendirmek için MAE, RMSE ve MAPE dahil olmak üzere üç ana performans değerlendirme ölçümü elde edilir. Önerilen model, MAE'nin 5.262'ye eşit, RMSE'nin 18.243'ün ve MAPE'nin 0.0000376'ya eşit olduğu elektrik yükünü tahmin etmede neredeyse mükemmel olduğu düşünülen bir sonuç sağlar ve bu, doğru bir performans sağlamaya yardımcı olabilecek üstün bir performans olarak kabul edilebilir ve sağlam yük dengesi tahmini elde edilir.
Özet (Çeviri)
The term of electricity referred to an efficient, and clean source of power, which perform an invaluable duty in our daily life, and an essential operation known as Electric load forecasting (ELF), must be accomplished due to its importance in delineation of the electricity generation, which perform a definitive role in scheduling the capacity of the electricity, and managing the power systems. Load forecasting is the technique that utilized by the companies of power providers in order to predict the required power or energy required to make a balance between the supply and load demand at all the times. An accurate prediction for electricity load forecasting is very important, and make the use of resources less, and save effort, and time in providing the electrical power. This thesis provides an accurate and efficient technique for load balance forecasting of electricity, in which a proposed model that is relying on the concept of deep learning is provided. The attained dataset at first is separated into two sub sets one for training the proposed prediction model, and the other is utilized for validation and testing. A hybrid deep network that consists from LSTM, along with Dense layers is proposed in order to predict the load forecasting for two years ahead, that consists from five layers. The experimental results show a high prediction rate for load balance forecasting of the electricity power consuming, and to evaluate forecast accuracy three main performance evaluation measurements are attained including the MAE, RMSE, and MAPE. The proposed model provides a results considered to be almost perfect in prediction the electricity load within a MAE equal to 5.262, RMSE is 18.243, and MAPE equal to 0.0000376 which it can be considered as a superior performance that can help in providing an accurate, and robust load balance forecasting.
Benzer Tezler
- Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması
Tariff classification with multi-dimensional deep learning using time series load data
ZÜMERYA ÜSTÜNDAĞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH SERTTAŞ
- Helisel yayların statik karakteristiklerini ölçme ve kontrol etme cihazının tasarımı ve imalatı
Design and manufacture of a device measuringand controlling the static characteristics of helical springs
MUAMMER MUSULLUOĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN
- Ülkemizdeki çeşitli büyüklükteki yerleşim merkezlerinde uygulanabilecek kültür yapısı planlama modeli
The Planning model of the cultural building which applicable at different size of settlement center
MUSTAFA İNCESAKAL
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. UMUR ERKMEN
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM
- Ankara koşullarında sulanabilir 10 hektarlık bir tarım işletmesi için en uygun mekanizasyon modelinin tespiti
The Determining of optimum field machinery system for a farm which has 10 hectares irrigable area in Ankara conditions
MUSTAFA VATANDAŞ
Yüksek Lisans
Türkçe
1987
ZiraatAnkara ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
PROF.DR. GÜNGÖR YAVUZCAN