Güç sistemlerinin yük tahmini analizinde uzun kısa süreli bellek metodunun kullanılması ve uygulaması

Abstract

Yük tahmini, güç sistemlerinin planlanması ve işletilmesinde önemli bir role sahiptir. Enerji piyasalarının özelleştirilmesi, her katılımcının rakipler üzerinde bir tür avantaj elde etmek için daha iyi analiz yapmak ve tahmin modellerini oluşturmak, geliştirmek için çabalamış oldukları rekabetçi pazarların oluşmasına neden olmaktadır. Tahmin, yükü etkileyen faktörlere ve farklı zaman dilimlerine bağlıdır. Bununla birlikte, stokastik ve belirsizlik özellikleri nedeniyle, elektrik hizmetlerinin gelecekteki yük talebini doğru bir şekilde tahmin edilmesi zor bir problem haline gelmiştir. Yük tahmini yaklaşımlarında yapay sinir ağları (YSA) en yaygın kullanılan yöntemlerden biri olmasına rağmen günümüzde hibrit yaklaşımlar ve derin öğrenme teknikleri gibi çeşitli yaklaşımlarda kullanılmaktadır. Uzun-kısa süreli bellek (LSTM), Tekrarlayan Sinir Ağları (RNN) modelleriyle birlikte gelen yok olan gradyan problemini çözdüğü görülmektedir. Bu tez çalışmasında, kısa ve orta vadeli saatlik yük tahmini için LSTM ve YSA tabanlı iki yöntem kullanılmaktadır. Ayrıca yaygın olarak kullanılan makine öğrenimi yaklaşımları için iki farklı modelin karşılaştırılması yapılmaktadır. Model 1 ve Model 2 olarak adlandırılan iki farklı zaman aralığı için tahmin modelleri oluşturulmuştur. Tahmin modellerinin performansları, ortalama mutlak yüzde hatası (MAPE), ortalama mutlak hata (MAE) ve hata kareler ortalamasının karekökü (RMSE) gibi çeşitli hata performans metrikleri kullanılarak karşılaştırılmıştır. Sonuç olarak, bu tez çalışmasında LSTM ve YSA yöntemleri yardımıyla Türkiye’deki 2017-2019 yılları arasındaki yıllık elektrik enerjisi tüketim verilerinin birden çok zaman diliminde elektrik tüketiminin tahmin edilmesi ve tahmin sonuçlarının performansının belirlenmesi amaçlanmaktadır. Yapılan bu analizler sonucunda normalizeli yük tahmini çalışmasında, en düşük ortalama günlük hata yüzdelerini LSTM yapısının verdiği görülmüştür. Buna ek olarak hata metriklerine göre LSTM ve YSA için önerilen Model 1’nin başarımı Model 2’den daha düşük olduğu görülmüştür.

Load forecasting plays an important role in the planning and operation of power systems. The privatization of energy markets results in the creation of competitive markets in which each participant strives to create and develop better analysis and forecasting models in order to gain some kind of advantage over competitors. The forecast is affected by factors affecting the load and actions taken in different time periods. However, due to its stochastic and uncertainty characteristics, it has become a difficult problem for electrical utilities to accurately predict future load demand. Although artificial neural networks (ANN) are used as the most widely used method in load estimation approaches, hybrid approaches and deep learning techniques are among the popular research topics today. Long-short-term memory (LSTM) appears to solve the vanishing gradient problem that comes with RNN models. In this thesis, two methods based on LSTM and ANN are used for aggregate demand-side load forecasting in short and medium-term monthly horizons. Two different models are compared for widely used machine learning approaches. Forecast models are created for two different time horizons called Model 1 and Model 2. The performances of the prediction models were compared using various error performance metrics such as mean absolute percent error (MAPE), mean absolute error (MAE), and root mean square error (RMSE). With the help of ANN methods, it is aimed to test the success of estimating electricity consumption in more than one time period of consumption amounts in Turkey. In the normalized load estimation study, it was seen that the LSTM structure gave the lowest average daily error percentages. According to the results of all error performance metrics, it was observed that the LSTM model gave better results than the classical ANN model. In addition, according to some error metrics, the performance of Model 1 proposed for LSTM and ANN is lower than Model 2.