Using machine learning in smart grid to predict load consumption: The use of time series analysis

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, ElektriK-Elektronik Mühendisliği Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: ŞAFAK ALMUSTAFA

Danışman: Okan Özgönenel

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Elektrik tüketimini tahmin etmek, doğru ve sürdürülebilir veri toplama sistemleri gerektirir ve bu sistemler akıllı şebeke sistemlerine dayanmaktadır. Bir şebekenin beklediği talebi tahmin etmek için, yeterli veri toplamak üzere çok sayıda akıllı sayaç gerektirmektedir. Ancak tahmin etme işlevi çok boyutludur ve basit güç toplama teknikleri, çeşitli kullanıcı türleri arasındaki ilişkisel benzerlikleri yakalamada başarısız olabilmektedir. Enerji talebinin doğru tahmini, yenilenebilir enerji sistemleri için ağların planlanması, kurulması, kurulması ve tüketicilere sürekli bir enerji kaynağı sağlanmasında kilit rol oynar; bu aynı zamanda depolama kapasitesinin ve depolama cihazlarının gerekliliğinin planlanması için önemli bir unsurdur. Kısa süreli (birkaç saatlik) tahmindeki hatalar, önemli ekonomik ve tüketici kayıplarına neden olabilir. Güç üretimi (geleneksel, fotovoltaik hücreler (PV) ve rüzgâr türbinleri), iletim ve dağıtım (mikro şebekeler ve arıza algılayıcıları) ve yük yönetimi (trafo istasyonları) dahil olmak üzere birçok kaynaktan her gün önemli miktarda veri üretilir ve son tüketiciler tarafından bu güç değerleri akıllı sayaçlar ile kaydedilir. Büyük veri ve bilgi işlemdeki son gelişmelerden yararlanılacak ve mevcut bilgilerden farklı kullanım türlerini belirlemek ve elektrik ihtiyaçlarını ve yoğun saatleri tahmin etmek için Derin Öğrenmeden (DL) yararlanılmalıdır. Bu tez, iki tahmin yöntemini kullanarak yükü tahmin etmeye yönelik makine öğrenimine (ML) dayalı tekniklerdeki bilgi eksikliğini gidermeyi amaçlamaktadır. Bunlardan ilki, Otomatik Gerileyen Entegre Hareketli Ortalama (ARIMA) ve diğderi ise Yapay Sinir Ağı'dır (YSA). Ortalama Mutlak Yüzde Hatası'nı (MAPE) kullanarak her iki yöntemin başarımını karşılaştırılmıştır. Bu tez çalışmasında, İrlanda'da 18 aylık bir süre boyunca 709 bireysel hane için günlük gerçek yük elektrik verileri kullanılmıştır. Sonuçlar, doğrusal olmayan yük verileri için (YSA)'nın ARIMA'dan daha iyi sonuçlar verdiğini ortaya koymaktadır.