2 results
Search Results
Now showing 1 - 2 of 2
Doctoral Thesis Yapay Sinir Ağları ve Bulanık Mantık Yöntemleri Kullanarak Yük Talep Tahmini(2022) Al-anı, Barq Raad Khashea; Erkan, Turan ErmanBu çalışma, Türkiye veya 2017 ve 2018'deki saatlik elektrik yüklerini tahmin etmek için yük talep verilerini tahmin etmek için yapay sinir ağları (YSA) ve bulanık mantığın (FL) kullanılmasını önermektedir. 2017-2018 yılları için EPİAŞ verilerine dayalı saatlik elektrik yükü olarak Gerçek Zamanlı Tüketimi kullandık. Yük tahmini, iki makine öğrenme tekniği kullanılarak gerçekleştirilmiştir: YSA ve bulanık mantık FL. Öngörülen veriler, bir grafik üzerinde çizilerek gerçek verilerle karşılaştırıldı. Bu çalışmada, Türkiye'nin güç sistemlerinde yük tahmini talebini optimize etmek için YSA ve FL yöntemleri kullanılmıştır. Daha iyi bir görselleştirme modeli elde etmek için ilk ve son 200 saat YSA üzerinde çizildi ve her alandan saatlik tahminler eklenerek Türkiye için genel tahmini saatlik yük hesaplandı. 2017 yılı minimum ve maksimum okumaları 18851,35 MWh ve 47062,40 MWh, ortalama ve standart sapma okumaları ise 33102,19 Mwh ve 4968,67 MWh'dir. Sonuç olarak, bu modellerin karşılaştırılması, tümü farklı yük modelleri ve kökenleri olan yükü tahmin etmek için kullanıldı. Seriler yıl boyunca durağandır ve Ağustos ayı boyunca zirve yapar. 2017 ve 2018 için FL için MAPE değerleri sırasıyla 3.7986094 ve 5.28635983'tür ve bu çok iyidir ve yüksek doğru tahmin sonuçlarına düşer. FL'nin her iki yıl için YSA'dan daha iyi bir tahmin verdiği sonucuna varılabilir. Elektriksel tepe azaltma, enerji talebini yönetmek için herhangi bir planın hayati bir bileşenidir ve elektrik yükünün tahmini, enerji talebi yönetimi hedeflerini karşılamak için tepe yük talebi azaltmalarının planlanmasına yardımcı olur. FL'nin bize her iki yıl için YSA'dan daha iyi bir tahmin verdiği sonucuna varılabilir. Ev, enerji yönetimi araştırması, bu çalışmada önerilen yeni yük tahmin modellerinden faydalanacaktır.Article Citation - WoS: 8Citation - Scopus: 11A Study of Load Demand Forecasting Models in Electricity Using Artificial Neural Networks and Fuzzy Logic Model(Materials & Energy Research Center-merc, 2022) Al-ani, B. R. K.; Erkan, E. T.Since load time series are very changeable. demand forecasting of the short-term load is challenging based on hourly, daily, weekly, and monthly load forecast demand. As a result, the Turkish Electricity Transmission Company (TEA) load forecasting is proposed in this paper using artificial neural networks (ANN) and fuzzy logic (FL). Load forecasting enables utilities to purchase and generate electricity, load shift, and build infrastructure. A load forecast was classified into three sorts (hourly, weekly and monthly). Over time, forecasting power loads with artificial neural networks and fuzzy logic reveals a massive decrease in ANN and a progressive increase in FL from 24 to 168 hours. As illustrated, fuzzy logic and artificial neural netANorks outperform regression algorithms. This study has the highest growth and means absolute percentage error (MAPE) rates compared to FL and ANN. Although regression has the highest prediction growth rate, it is less precise than FL and ANN due to their lower MAPE percentage. Artificial Neural Networks and Fuzzy Logic are emerging technologies capable of forecasting and mitigating demand volatility. Future research can forecast various Turkish states using the same approach.
