Çekirge optimizasyon algoritması ve yapay sinir ağları kullanılarak hane güç tüketimi tahmini

Abstract

Hibrit zeki sistemler farklı yapay zeka yöntem veya tekniklerinin birleştirilmesi ile ortaya çıkan zeki teknolojilerdir. Bu sistemlerde genellikle yapay sinir ağları (YSA), bulanık mantık ve evrimsel algoritmaların birlikte kullanımı uygulanmaktadır ve deneysel analizlerde bu sistemler ile daha başarılı sonuçlar elde etmek mümkün olmaktadır. Özellikle sürü-tabanlı optimizasyon algoritmalarının YSA ile entegre edilmesi ile sınıflandırma, tahmin, eğri kestirimi gibi birçok problem kolaylıkla çözülebilmektedir. Çekirge optimizasyon algoritması (ÇOA)’ da YSA ile birleştirilerek oluşturulan son yıllarda yaygın olarak kullanılan başat meta-sezgisel optimizasyon algoritmalarından birisidir. Bu çalışmada, ÇOA ile YSA tabanlı bir hibrit zeki sistem (ÇOA-YSA) önerilmektedir. Çalışmada çok katmanlı ileri yönlü bir YSA mimarisi ÇOA ile eğitilerek, ağın en uygun ağırlıkları belirlenmiştir. Geliştirilen ÇOAYSA hibrit zeki sistemi ile öncelikle doğrusal olmayan özel veya (XOR) problemi çözülmüş, daha sonra açık bir veriseti üzerinde hane için elektrik güç tüketimi tahmin edilmiştir. Hane için güç tüketiminin tahmininde yürütülen deneysel çalışmalarda, tez çalışmasında önerilen ÇOA-YSA hibrit zeki sistemi ile hesaplanan RMSE, MAPE ve R2 hata ölçüm sonuçları, Parçacık Sürü Optimizasyonu tabanlı YSA (PSO-YSA) ve Geriye Yayılım Algoritması tabanlı YSA (GYA-YSA) hibrit zeki sistemleri ile ulaşılan RMSE, MAPE ve R2 hata ölçüm sonuçları ile karşılaştırılmıştır. ÇOA-YSA sisteminde, 2007 Haziran ayı için hane güç tüketimi tahmininde ortalama RMSE, MAPE ve R2 hata ölçütleri sırası ile 2.7712, 0.9447, 0.8345 olarak hesaplanmıştır. Yine ÇOA-YSA hibrit zeki sistemi kullanılarak hane güç tüketimi tahmininde, 2008 Mayıs ayı için ortalama RMSE, MAPE ve R2 ölçütleri sırası ile 2.0856, 1.1418, 0.9248 olarak; 2009 Haziran ayı için ortalama RMSE, MAPE ve R2 ölçütleri sırası ile 3.705, 1.5597, 0.9249 olarak; 2010 Ocak ayı için ortalama RMSE, MAPE ve R2 ölçütleri sırası ile 3.1996, 1.6493, 0.8782 olarak hesaplanmıştır. Çalışmada yürütülen deneysel analizlerdeki bulgular, tez çalışmasında önerilen ÇOA-YSA hibrit zeki sisteminin başarım performansının RMSE ve MAPE hata ölçüm kriterleri için PSO-YSA ile GYA-YSA yöntemlerine göre yüksek olduğunu göstermektedir.

Hybrid intelligent systems are technologies that are created by combining different artificial intelligence methods or techniques. In these systems, artificial neural networks (ANN), fuzzy logic and evolutionary algorithms are generally used together, and it is possible to obtain more successful results with these systems in experimental analysis. Especially by integrating swarm-based optimization algorithms with ANN, many problems such as classification, estimation, and curve estimation can be easily solved. Grasshopper optimization algorithm (GOA) is one of the dominant meta-heuristic optimization algorithms that have been widely used in recent years, which is created by combining with ANN. In this study, a hybrid intelligent system (GOA-ANN) based on GOA and ANN is proposed. In the study, a multilayer feed-forward ANN architecture is trained with GOA and the optimal weights of the network are determined. With the developed GOA-ANN hybrid intelligent system, firstly the non-linear XOR problem is solved, and then the electrical power consumption for the household is estimated on a publicly-available dataset. In the experimental studies conducted for the prediction of household power consumption, RMSE, MAPE and R2 error measurement results calculated with the GOA-ANN hybrid intelligent system proposed in the thesis study, RMSE, MAPE and R2 error measurement results of Particle Swarm Optimization based ANN (PSO-ANN) and Backpropagation Algorithm based ANN (BPA-ANN) hybrid intelligent systems are compared. In the GOA-ANN system, the average RMSE, MAPE and R2 error criteria in the household power consumption estimation for June 2007 are calculated as 2.7712, 0.9447, 0.8345 respectively. In addition, in the house power consumption estimation using the GOA-ANN hybrid intelligent system, the average RMSE, MAPE and R2 criteria for May 2008 are 2.0856, 1.1418, 0.9248 respectively. The average RMSE, MAPE and R2 criteria for June 2009 are 3.705, 1.5597, 0.9249 respectively. Moreover, the average RMSE, MAPE and R2 criteria for January 2010 are calculated as 3.1996, 1.6493 and 0.8782 respectively. The findings in the experimental analyzes carried out in the study show that the performance of the GOA-ANN hybrid intelligent system proposed in the thesis study is higher than the PSO-ANN and BPA-ANN methods for the RMSE and MAPE measurement criteria.