Geri Dön

Yapay zekâ (yapay sinir ağları) yöntemi ve meteoroloji verileri kullanılarak Sivas-merkez 1.organize sanayi bölgesinin kısa dönem elektrik enerjisi yük tahmini

Short-term electricity load forecasting using artificial intelligence (artificial neural networks) method and meteorologi̇cal data for Sivas-central 1st organi̇zed industrial zone

PDF İndir

  1. Tez No: 972400
  2. Yazar: SEYİT AHMET KEKLİKCİ
  3. Danışmanlar: DOÇ. DR. YUNİS TORUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Elektrik ve Elektronik Mühendisliği, Energy, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Elektrik enerjisi, Enerji arzı, Evrişimli sinir ağları, Hücresel sinir ağları, Yapay sinir ağları, Yapay zeka ve makine öğrenmesi dersi, Electrical energy, Energy supply, Convolutional neural networks, Cellular neural networks, Artificial neural networks, Artificial intelligence and machine learning course
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sivas Cumhuriyet Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektrik enerjisi, modern toplumların vazgeçilmez bir ihtiyacı olup, enerji sistemlerinin güvenilir ve verimli çalışmasında doğru yük tahmini büyük önem taşımaktadır. Bu enerjinin efektif olarak sürdürülebilir olması, enerji yatırımlarının etkin bir şekilde planlanması ve tüketim yönündeki dengesizlik maliyetlerinin önüne geçilmesinde yük tahminleme metotlarının kullanımı önem arz etmektedir. Geleneksel tahmin yöntemleri, elektrik yükünün karmaşık ve sürekli değişen davranışlarını algılamada zorlanabilmektedir. Yapay zekâ ve derin öğrenme teknikleri, kabul edilebilir doğrulukta tahminler yapma potansiyeli sunmaktadır. Verimli, kaliteli ve güvenilir elektrik enerjisi tedarik süreçleri, elektrik piyasasındaki arz-talep dengesinin korunmasında önemli rol oynamaktadır. Elektrik üreticileri ve tedarikçilerinin titizlikle planlama yapması, planlama çalışmaları için de gelecekteki tüketim değerlerinin tahmin edilmesi ihtiyacı doğmaktadır. Bu çalışmada; geçmiş dönem tüketim istatistikleri, yükün olduğu iş günleri ve tüketim dönemlerindeki meteorolojik veriler, geliştirilen Uzun Kısa Süreli Bellek (Long Short Term Memory-LSTM) tabanlı bir modelde işlenerek tüketim tahmini hedeflenmiştir. Literatür çalışmaları incelendiğinde, yapay zekâ ve özellikle LSTM tabanlı mimarilerinin enerji tahmini alanında etkin bir şekilde kullanıldığı görülmüştür. Çalışmada yapılacak yük tahmini için Matlab/Simulink aracında LSTM mimarisi tasarlanmıştır. LSTM mimarisinin giriş verileri olarak farklı veri setleri kullanılmış ve dört durum incelenmiştir. Modelin performans değerlendirmesi için çeşitli metrikler (RMSE) kullanılarak analiz edilmiş ve geleneksel yöntemlerle karşılaştırılmıştır. İlk durum için giriş veri seti olarak yalnızca yılın günleri kullanılmıştır. İkinci durumda“Ay, Ayın Günü, Mesai Günü ve Yılın Günleri”ile ele alınmıştır. Üçüncü durum için ikinci duruma ek olarak“Bayram Günleri, Tatil, Hafta sonu, Normal Gün, Dolar”verileri ile model çalıştırılmıştır. Dördüncü durumda ise üçüncü duruma ek olarak“Meteoroloji”verileri de eklenerek bulgular elde edilmiştir. Sonuçlarda RMSE (Root Mean Square Error-Kök Kare Ortalama Hatası) değerleri dört durum için sırası ile şu şekildedir; RMSE1:1501,897, RMSE2:1005,312, RMSE3:1343,179, RMSE4:9342,352. MAPE hata değerleri karşılaştırıldığında; Senaryo 1'de %99,6 , Senaryo 2'de %99,75 , Senaryo 3'te %99,74 ve Senaryo 4'te %97,6 hesaplanan oranlarında doğru tahminleme gerçekleşmiştir. Elde edilen bulgularda, LSTM tabanlı modelin elektrik yük tahmininde yüksek doğruluk ve güvenilirlik sağladığı görülmüştür. Bu çalışma, enerji sektörlü arz talep dengesi planlamalarında ve enerji yönetimi faaliyetlerinde derin öğrenme tabanlı çözümlerin potansiyelini ortaya koymaktadır. Ayrıca giriş verilerinin farklı kombinasyonlarda LSTM tabanlı tüketim tahminine etkisi derinlemesine analiz edilerek, daha fazla veri kullanımının her zaman daha iyi tahmin doğruluğu sağlamayacağını göstermesi bakımından özgün bir katkı sunmaktadır. LSTM modelinin kullanıldığı bu çalışma ile enerji tedarikçilerinin ve sanayi bölgelerinin doğru enerji yönetim stratejileri geliştirmelerine önemli bir katkı sağlanması amaçlanmaktadır.

Özet (Çeviri)

Electric energy is an indispensable need for modern societies, and accurate load forecasting is of great importance for the reliable and efficient operation of energy systems. The effective sustainability of this energy is important for the efficient planning of energy investments and the use of forecasting methods to prevent the costs of imbalances in consumption. Traditional forecasting methods can struggle to detect the complex and continuously changing behaviors of electrical charge. Artificial intelligence and deep learning techniques offer the potential to make predictions with acceptable accuracy. Efficient, high-quality, and reliable electricity supply processes play an important role in maintaining the balance of supply and demand in the electricity market. Electricity producers and suppliers need to plan meticulously, which creates the necessity to forecast future consumption values for planning activities. In this study; past consumption statistics, meteorological data during business days with load and consumption periods are processed in a developed Long Short Term Memory (LSTM) based model to aim for consumption forecasting. When the literature studies were examined, it was observed that artificial intelligence, and particularly LSTM-based architectures, are effectively used in the field of energy forecasting. An LSTM architecture has been designed in Matlab/Simulink for the load prediction to be made in the study. Different data sets have been used as input data for the LSTM architecture, and four conditions have been examined. The model's performance evaluation has been analyzed using various metrics (RMSE) and compared with traditional methods. For the initial case, only the days of the year were used as the input dataset. In the second case, 'Moon, Moon Day, Working Day, and Days of the Year' have been addressed. For the third case, in addition to the second case, the model has been run with 'Holiday Days, Vacation, Weekend, Normal Day, Dollar' data. In the fourth case, additional findings were obtained by adding 'Meteorology' data to the third case. The RMSE (Root Mean Square Error) values in the results for the four cases are as follows: RMSE1:1501,897, RMSE2:1005,312, RMSE3:1343,179, RMSE4:9342,352. When the MAPE error values are compared, the correct prediction rates are 99.6% in Scenario 1, 99.75% in Scenario 2, 99.74% in Scenario 3 and 97.6% in Scenario 4. The obtained findings show that the LSTM-based model provides high accuracy and reliability in electrical load forecasting. This study reveals the potential of deep learning-based solutions in supply-demand balance planning in the energy sector and energy management activities. Additionally, by deeply analyzing the effects of the input data in different combinations on LSTM-based consumption forecasting, it presents a unique contribution in terms of showing that using more data does not always lead to better prediction accuracy. With this study using the LSTM model, it aims to significantly contribute to energy suppliers and industrial regions in developing accurate energy management strategies.

Benzer Tezler

  1. Tez No

    632899

    Yapay zekâ yöntemleri ile Fırat Havzası yağış-akış ilişkisinin belirlenmesi

    Determination of rainfall-runoff relationship in Euphrates Basin with artificial intelligence methods

    İBRAHİM HALİL İFŞAAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İnşaat MühendisliğiHarran Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VEYSEL GÜMÜŞ

  2. Tez No

    608228

    Integration of spatial procedures to combat the desertification in Nineveh governorate, Iraq

    Irak'ın Nineveh vilayetinde çölleşme ile mücadele için mekansal yöntemlerin entegrasyonu

    BASHAR MUNEER YAHYA YAHYA

    Doktora

    İngilizce

    İngilizce

    2019

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  3. Tez No

    706964

    Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini

    Short term solar energy prediction by using artifical neural networks

    ELA NUR ORUÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ÖZTOPAL

  4. Tez No

    955344

    İstanbul ili genelinde yapay sinir ağları ile güneş ışınımı tahmini ve bina ölçeğinde fotovoltaik sistemin verimlilik hesabı

    Solar radiation prediction using artificial neural networks across İstanbul province and efficiency calculation of photovoltaic systems at building scale

    YUSUF KEP

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Enerjiİstanbul Gedik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FERİHA ERFAN KUYUMCU

  5. Tez No

    688423

    Deep learning for wind energy systems using the hurst exponent and statistical parameters

    Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme

    BEHNAZ ALAFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

Geri Dön