Elektrik enerji tüketiminin kısa dönem yük tahmini ve mevsimsellik analizi

Basit Öğe Kaydı
dc.contributor.advisorTekdemir, İbrahim Gürsu
dc.contributor.authorÇadırcı, Sena
dc.date.accessioned2024-11-05T17:47:05Z
dc.date.available2024-11-05T17:47:05Z
dc.date.issued2024
dc.departmentBTÜ, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalıen_US
dc.descriptionLisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı, Elektrik Elektronik Mühendisliği Bilim Dalıen_US
dc.description.abstractElektrik enerji sistemlerinin verimli bir şekilde planlanması, ekonomik bir şekilde üretilmesi, dağıtılması, sistem operasyonlarının daha iyi koşullarda yönetilmesi ve gelecekteki enerji ihtiyaçlarını tahmin etme açısından oldukça kritik bir adım olan yük tahmini, elektrik sektöründe büyük bir öneme sahiptir. Bu tahminler, geçmiş dönemlerdeki elektrik enerjisi tüketim alışkanlıklarını inceleyerek gelecekteki elektrik talebini öngörmeye dayanır. Yük tahmini, kısa dönem, orta dönem ve uzun dönem olmak üzere üç ayrı periyot şeklinde ele alınabilir. Kısa dönem yük tahminleri, bir gün veya bir hafta gibi kısa bir süre için; orta dönem yük tahminleri, birkaç ay veya bir yıl gibi daha uzun bir süre için ve uzun dönem yük tahminleri de birkaç yıl veya daha uzun bir süre için yapılır. Bu çalışmada, Güneydoğu Anadolu Bölgesinde bulunan bir tesisin 2019-2020-2021-2022 yıllarına ait saatlik elektrik enerjisi tüketim verileri kullanılarak kısa dönem yük tahmin modellemesi yapılmıştır. Ayrıca, Meteorolojiden bu yıllara ait sıcaklık değerleri alınarak elektrik enerjisi tüketim verilerine sıcaklık faktörü de eklenmiştir. Mevsimsellik analizi yapılarak sıcaklık faktörünün elektrik enerjisi tüketim tahminlerinin sonucuna etkisi değerlendirilmiştir. Çalışma kapsamında, yük tahmini uygulaması için çoklu doğrusal regresyon, yapay sinir ağları (YSA) ve Otoregresif Hareketli Ortalamalar (ARIMA) yöntemleri kullanılmış, her bir yöntem için tahmin sonuçları elde edilmiş ve diğer yöntemlerle karşılaştırılmıştır. Bu yöntemler için veri doğruluğu ve analiz hızları açısından yapılan karşılaştırmada, ortalama hata değerleri bulunarak modellerin performansları sonucunda ARIMA yönteminin, yük verilerindeki dalgalanmaları azaltarak, daha doğru tahminler yaptığı gözlenmiştir. Yapay sinir ağları yönteminin ise, yük verilerindeki kalıpları öğrenerek, daha hızlı sonuç ürettiği görülmüştür.en_US
dc.description.abstractLoad forecasting, which is a critical step in efficiently planning, economically producing, distributing, and managing system operations of electric energy systems, as well as predicting future energy needs, holds significant importance in the electricity sector. These forecasts rely on predicting future electricity demand by examining consumption patterns from past periods. Load forecasting can be categorized into three different periods: short-term, medium-term, and long-term. Short-term load forecasts are made for a short period such as a day or a week; medium-term load forecasts cover a longer period, such as several months or a year, while long-term load forecasts extend to several years or more. In this study, short-term load forecasting modeling was conducted using hourly electricity consumption data from a facility located in the Southeast Anatolia Region for the years 2019-2020-2021-2022. Additionally, temperature values for these years were obtained from meteorological data, and a temperature factor was added to the electricity consumption data. Seasonality analysis was performed to evaluate the impact of the temperature factor on the results of electricity consumption forecasts. For load forecasting application in this study, regression, artificial neural networks, and ARIMA methods were utilized. Forecast results were obtained for each method and compared with other methods. In the comparison made in terms of data accuracy and analysis speed, average error values were determined, and it was observed that the ARIMA method provides more accurate predictions by reducing fluctuations in load data. The artificial neural networks method, on the other hand, was found to produce results more quickly by learning patterns in load data.en_US
dc.identifier.endpage66en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=1pwTzRXnomYf6jwqVORfUad7X7HwLuj49lqbBCdXhDijGugfkpy_LnvIDtGrlcVf
dc.identifier.urihttps://hdl.handle.net/20.500.12885/3077
dc.identifier.yoktezid879803en_US
dc.language.isotren_US
dc.publisherBursa Teknik Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_20241105
dc.subjectElektrik ve Elektronik Mühendisliğien_US
dc.subjectElectrical and Electronics Engineeringen_US
dc.titleElektrik enerji tüketiminin kısa dönem yük tahmini ve mevsimsellik analizien_US
dc.title.alternativeShort-term load forecasting and seasonal analysis of electrical energy consumptionen_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu