SavedAdd your journal

Journals / Endüstri Mühendisliği / 2021 / Cilt: 32 - Sayı: 2

YAPAY SİNİR AĞLARINA DAYALI KISA DÖNEMLİ ELEKTRİK YÜKÜ TAHMİNİ

Eren KAMBER
Sencer KÖRPÜZ
Melih CAN
Hacer YUMURTACI AYDOĞMUŞ
Mehmet GÜMÜŞ
Pages
364–379
Publication Date
2021-08-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elektrik enerjisi üretim ve tüketim verileri, İletim Hizmeti Operatörü (TSO) verilerini içeren ve açık erişimli bir portal olan ENTSOE'den toplanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüzün vazgeçilemez unsurlarından olan elektrik enerjisi için kısa dönemli elektrik tahminleri, son yıllarda yüksek öneme sahip konular arasında yer almaktadır.
📊
Key Findings & Data:YSA metodolojisinin uygulanmasıyla elde edilen sonuçlar kök ortalama kare hatası değerlerine göre zaman serisi analizi (ARIMA) ile karşılaştırılmıştır.
💡
Conclusion & Impact:Elektrik enerjisi üretim ve tüketim verileri, İletim Hizmeti Operatörü (TSO) verilerini içeren ve açık erişimli bir portal olan ENTSOE'den toplanmıştır.
🔬Design:Review & Systematic Survey
📍Scope:2015-2016 Verileri
⚙️Variables:Kısa Dönemli Yük Tahmini · Yapay Sinir Ağı · Zaman Serileri

Özet

Günümüzün vazgeçilemez unsurlarından olan elektrik enerjisi için kısa dönemli elektrik tahminleri, son yıllarda yüksek öneme sahip konular arasında yer almaktadır. Elektrik üretimi ile talebin dengelenebilmesi için elektrik talep fiyatlarının doğru tahmin edilmesi önemlidir. Söz konusu denge kurulabildiği takdirde tüketicilere rekabetçi fiyatlar sunulabilmektedir. Elektrik talebinde doğru tahminler yapabilmek için literatürde bazı teknikler kullanılmaktadır. Bu çalışmanın amacı, söz konusu tekniklerden yapay sinir ağını (YSA) uzun kısa dönemli bellek (LSTM) mimarisiyle çalıştırarak kısa süreli elektrik talep tahmininde bulunmaktır. YSA metodolojisinin uygulanmasıyla elde edilen sonuçlar kök ortalama kare hatası değerlerine göre zaman serisi analizi (ARIMA) ile karşılaştırılmıştır. Bu bağlamda, İspanya'nın 2015-2016 yılları arasındaki elektrik verileri tahminleme yapmak için kullanılmıştır. Elektrik enerjisi üretim ve tüketim verileri, İletim Hizmeti Operatörü (TSO) verilerini içeren ve açık erişimli bir portal olan ENTSOE'den toplanmıştır.

🔖

Cite This Article

KAMBER, E., KÖRPÜZ, S., CAN, M., AYDOĞMUŞ, H. Y., GÜMÜŞ, M. (2021). YAPAY SİNİR AĞLARINA DAYALI KISA DÖNEMLİ ELEKTRİK YÜKÜ TAHMİNİ. Endüstri Mühendisliği, Cilt: 32 - Sayı: 2, 364–379. https://ajindex.com/articles/389973

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. AlFuhaid A. S., El-Sayed M. A. and Mahmoud M. S., (1997). Cascaded artificial neural networks for short-term load forecasting. IEEE Transactions on Power Systems, 12(4), pp. 1524–1529. Amjady N., (2001). Short-term hourly load forecasting using time series modeling with peak load estimation capability. IEEE Trans Power Syst, 16, pp. 798–805.
  2. Aydinalp M., Ugursal V.I. and Fung A., (2002). Modeling of the appliance, lighting, and space cooling energy consumptions in the residential sector using neural networks. Applied Energy, 72(2), pp. 87–110.
  3. Bakirtzis A.G., Petridis V., Kiartzis S.J., Alexiadis M.C. and Maissis A.H., (1996). A neural network short term load forecasting model for the Greek power system. IEEE Trans. Power Syst. 11, pp. 858–863.
  4. Bakirtzis A.G., Theocharis J.B., Kiartzis S.J. and Satsois K.J., (1995). Short term load forecasting using fuzzy neural networks. IEEE Trans Power Syst, 10(3), pp. 1518–24.
  5. Beccali M., Cellura M., Lo Brano V., Marvuglia A., (2004). Forecasting daily urban electric load profiles using artificial neural networks. Energy Conversion and Management, 45, pp. 2879–2900. Box G. E. P. and Jenkins G. M., (1976). Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco. Bozkurt, Ö. Ö., Biricik, G., Tayşi, Z. C. (2017). Artificial Neural Network and SARIMA based models for power load forecasting in Turkish Electricity Market, PloS one, 12 (4). Bridger M.M., (1986). A short guide to electric utility load forecasting. Broomhead D.S. and Lowe D., (1988). Multivariable Functional İnterpolation and Adaptive Networks. Complex Syst., 2, pp. 321–355. Brownlee J., (2017). A Gentle Introduction to Autocorrelation and Partial Autocorrelation. Machine Learning Mastery, retrieved from: https://machinelearningmastery.com/gentle-introduction-autocorrelation-partial-autocorrelation/
  6. Carpinteiro O., Reis A. and Silva A., (2004). A hierarchical neural model in short-term load forecasting, Applied Soft Computing, 4, pp. 405-412.
  7. Charytoniuk W., Chen M.S. and Van Olinda P., (1998). Nonparametric regression based shortterm load forecasting. IEEE Trans Power Syst,, 13 pp. 725–730.
  8. Cho M.Y., Hwang J.C. and Chen C.S., (1995). Customer short-term load forecasting by using ARIMA transfer function model. Proc Int Conf Energy Manage Power Deliv., 1, pp. 317–322.
  9. Drezga I. and Rahman S. (1998). Input variable selection for ANN-based short-term load forecasting. IEEE Trans. Power Syst., 13, pp. 1238–1244. Drezga I. and Rahman S., (1999). Sho