KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Tasarım Dergisi / 2021 / Cilt: 9 - Sayı: 1

LİNYİT YAKITLI TERMİK SANTRALDE ELEKTRİK ENERJİSİ ÜRETİMİNİN ÇOK ADIMLI İLERİ TAHMİNİ

MULTI-STEP FORWARD FORECASTING OF ELECTRICAL POWER GENERATION IN LIGNITE-FIRED THERMAL POWER PLANT

İsmail KIRBAŞ
Alper KEREM
Sayfa
1–13
Yayın Tarihi
2022-10-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Tüm çalışmalar sonucunda, hareketli ortalama ve ileri adım sayısı parametrelerinin model başarısını büyük ölçüde etkilediği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada gerçek zamanlı üretilen elektriksel güç zaman serilerinin kullanılmasıyla çok adımlı ileriye dönük tahmin çalışmaları anlatılmaktadır.
📊
Temel Bulgular & Veri:Veriler ham, 10 hareketli ortalama ve 20 hareketli ortalama olarak üç kategoriye ayrılırken, adım sayısı 6 adım ileri, 12 adım ileri ve 20 adım ileri olarak belirlenmiştir.
💡
Sonuç & Katkı:Tüm çalışmalar sonucunda, hareketli ortalama ve ileri adım sayısı parametrelerinin model başarısını büyük ölçüde etkilediği görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:ARIMA · NAR · Yapay Sinir Ağları

Özet

Bu çalışmada gerçek zamanlı üretilen elektriksel güç zaman serilerinin kullanılmasıyla çok adımlı ileriye dönük tahmin çalışmaları anlatılmaktadır. Doğrusal Olmayan Otoregresif (NAR) ve Otoregresif Hareketli Ortalama (ARIMA) modelleri oluşturulmuş ve Afşin-Elbistan Termik B Santralinde üretilen generatör güç zaman serilerine uygulanmıştır. Veriler ham, 10 hareketli ortalama ve 20 hareketli ortalama olarak üç kategoriye ayrılırken, adım sayısı 6 adım ileri, 12 adım ileri ve 20 adım ileri olarak belirlenmiştir. NAR ve ARIMA modellerinin performans sonuçları 6 senaryo ile oluşturulmuş, ardından sonuçlar tablo ve grafikler ile karşılaştırılmıştır. Tüm çalışmalar sonucunda, hareketli ortalama ve ileri adım sayısı parametrelerinin model başarısını büyük ölçüde etkilediği görülmüştür.

Abstract

This paper presents multi-step forward forecasting studies using real-time generated electrical power time series. Nonlinear Automatic Regression (NAR) and Autoregressive Integrated Moving Average (ARIMA) models were created and applied to the generator power time series produced in Afşin-Elbistan Thermal B Plant. The data were divided into three categories as raw, 10-moving average and 20-moving average while the number of forwarding steps has been established as 6-step forward, 12-step forward and 20-step forward. Performance results of NAR and ARIMA models were presented with 6 scenarios, and then, the results were compared with tables and graphs. As a result of all studies, it has been observed that the model’s success was greatly affected by moving average and forward steps parameters.

🔖

Bu Makaleye Atıf Yap

KIRBAŞ, İ., KEREM, A. (2022). LİNYİT YAKITLI TERMİK SANTRALDE ELEKTRİK ENERJİSİ ÜRETİMİNİN ÇOK ADIMLI İLERİ TAHMİNİ. Mühendislik Bilimleri ve Tasarım Dergisi, Cilt: 9 - Sayı: 1, 1–13. https://ajindex.com/articles/583449

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Abdel-Aal R.E., Elhadidy M.A., Shaahid S.M., 2009. Modeling And Forecasting the Mean Hourly Wind Speed Time Series Using GMDH-Based Abductive Networks, Renewable Energy 34: 1686-1699.
  2. Amjady A., Keynia F., Zareipour H. 2010., Short-Term Load Forecast of Microgrids by a New Bilevel Prediction Strategy, IEEE Transactıons on Smart Grid, 1(3):286-294. Bálint R., Fodor A., Magyar A. 2019., Model-Based Power Generation Estimation of Solar Panels Using Weather Forecast for Microgrid Application, Acta Polytechnica Hungarica, 16 (7): 149-165. Bhaskar K. and Sing S. N. 2012., AWNN-Assisted Wind Power Forecasting Using Feed-Forward Neural Network. The Institute of Electrical and Electronics Engineers Transactions on Sustainable Energy, 3(2): 306-315.
  3. Bracale A., Carpinelli G., Rizzo R., Russo A. 2014., Advanced Method and Cost-Based Indices for Probabilistic Forecasting the Generation of Renewable Power, 3rd Renewable Power Generation Conference (RPG 2014), 24-25 Sept. 2014,
  4. Naples, Italy. Chang W.Y. 2014., A Literature Review of Wind Forecasting Methods, Journal of Power and Energy Engineering, 2:161-168.
  5. Hong T., Pinson P., Fan S., Zareipour H., Troccoli, A., Hyndmanc, R. J. 2016., Probabilistic Energy Forecasting: Global Energy Forecasting Competition 2014 and Beyond, International Journal of Forecasting, 32: 896-913.
  6. Hossain M.S., Mahmood H. 2020., Short-Term Load Forecasting Using an LSTM Neural Network, 2020 IEEE Power and Energy Conference at Illinois (PECI), 27-28 Feb. 2020
  7. Champaign, IL, USA. Hu J., Wang J., Zeng G. 2013., A Hybrid Forecasting Approach Applied to Wind Speed Time Series, Renewable Energy, 60:185-194.
  8. Jeong G., Park S., Hwang G. 2020., Time Series Forecasting Based Day-Ahead Energy Trading in Microgrids: Mathematical Analysis and Simulation, IEEE Access, 10.1109/ACCESS.2020.2985258, 8(20): 63885-63900.
  9. Kerem A., Kirbas İ., Saygın A. 2016., Performance Analysis of Time Series Forecasting Models for Short Term Wind Speed Prediction, International Conference on Engineering and Natural Sciences (ICENS), 24-28 May 2016,
  10. Sarajevo, Bosnia-Herzegovina. Kerem A., Kırbaş İ. 2019., Doğrusal Olmayan Otoregresif Ağ (NAR) Modelinin Gerçek Zamanlı Rüzgar Hızı Zaman Serilerine Uygulanması, International Symposium on Advanced Engineering Technologies (ISADET), 02-04
  11. May, Kahramanmaraş, Turkey. Kırbaş I., Kerem A. 2016., Short-Term Wind Speed Prediction Based on Artificial Neural Network Models, Measurement and Control, 49 (6) 183-190. Kırbaş İ. 2018., İstatist