Elektrik Enerji Tüketim Tahmininde Yapay Yenilemeli Sinir Ağı Modellerinin Karşılaştırılması
Özet Görüntüleme: 443
/ 
PDF İndirme: 238
DOI:
https://doi.org/10.52520/masjaps.v7i2id168Anahtar Kelimeler:
Elektrik yük tahmini, yenilemeli yapay sinir ağı, evrişimsel sinir ağı, uzun-kısa süreli bellek, akıllı şebekeÖzet
Teknolojinin gelişmesi ve verinin öneminin artmasıyla akıllı şebekelerin önemi ve etkisi her geçen gün artmaktadır. Akıllı şebekelerde sensörler, akıllı sayaçlar, akıllı reaktif güç röleleri gibi verilerin toplanmasına yardımcı olan cihazlar bulunmaktadır. Elektrik güç tüketim verileri, toplanan veri türlerinden birisidir. Modern güç sisteminin gelişimi boyunca yük tahmini temel konu olmuştur. Akıllı şebekelerde enerji tüketim profillerinin kestirimi sonucunda enerji arzının planlaması, şebeke bakım sürelerinin kestirilmesi gibi konularda kullanılmaktadır. Yük tahmininde istatiksel yöntemler, zaman serisi yöntemi ve son zamanlarda popüler olan yapay sinir ağları metodu kullanılmaktadır. Yapılan bu çalışmada elektrik enerjisi yük tahmini için yapay sinir ağı modelleri kullanılmıştır. Çalışmada kullanılan veriler, Amerika Birleşik Devletleri’nin Eastern Kentucky eyaletinin enerji tüketim verilerinden alınmıştır. Veriler yapay sinir ağına verilmeden önce normalizasyon işlemi ile standartlaştırılmıştır. Elektrik yük tahmini için yapay zekâ tabanlı tahmin algoritması olan Yenilemeli Sinir Ağı (YSA), Yenilemeli Sinir Ağı Tabanlı Uzun-Kısa Süreli Bellek (UKSB) ve Evrişimsel Sinir Ağı-Uzun-Kısa Süreli Bellek (ESA-UKSB) beraber kullanılmıştır. Kentucky eyaleti enerji tüketim verileri bu üç model üzerinde, her biri 50 dönüm (epoch) yapılarak, kayıp fonksiyonu ise “Adam” en iyileştirici kullanılarak eğitilmiştir. Eğitilen modeller aynı test kümesi üzerinde denenip elde edilen verilerle elektrik tüketim enerji miktarları tahmin edilmeye çalışılmıştır. Bu modeller; tahmin edilen veriler ile gerçek veriler, ortalama kare hata ve ortalama mutlak hata katsayıları seçilip karşılaştırılarak değerlendirilmiştir. Modellerden elde edilen verilerin karşılaştırması sonucunda Evrişimsel Sinir Ağı-Uzun-Kısa Süreli Bellek modelinin diğer iki modellere göre test verileri üzerinde en az hata oranı verdiği sonucuna ulaşılmıştır.
Referanslar
Ali Arı ve ark., Tumor detection in MR images of regional convolutional neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University 34(3): 1395-1408.
Berna Arı, Kayısı Yapraklarının Evrişimsel Sinir Ağları Kullanılarak Sınıflandırılması, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Teknolojileri Mühendisliği, Fırat Üniversitesi, 2017.
Cagatay Catal, Ahmet Kaşif, Energy Load Forecasting Using a Dual-Stage Attention-Based Recurrent Neural Network, Sensors(Basel), October, 27, 21(21): 7115.
Chujie Tian, Jian Ma, Chunhong Zhang and Panpan Zhan , A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network, Energies, 2018.
Çoşkun Hamzaçebi, Forecasting of Turkey’s net electricity energy consumption on sectoral bases, 2017. https://www.kaggle.com/robikscube/hourly-energy-consumption htps://medium.com/@tuncerergin/convolutional-neural-network-convnet-yada-cnn-nedir-nasil-calisir-97a0f5d34cad, Şekil 1)
Salah Bouktif ve ark, Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches, Energies, 2018, Şekil 2).
Y. Xue, C. Wang, and C. Miao, “Research on financial assets transaction prediction model based on LSTM neural network,”Neural Computing and Applications, vol. 1, 2020.
Welcong Kong,Yan Xu,David J.Hill, Short-Term Residential Load Forecasting based on LSTM Recurrent Neural Network, IEEE Transactions on Smart Grid · September 2017.
Wenjie Lu,1,2 Jiazheng Li,3 Yifan Li,3 Aijun Sun ,1 and Jingyang Wang3, A CNN-LSTM-Based Model to Forecast Stock Prices, Hindawi, Complexity, Volume 2020. 2019., Şekil 3)
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
Dergimizde yayımlanan makaleler, 